Hoy en día muchas de las más importantes organizaciones en diferentes industrias han adoptado políticas que definen los datos como principal insumo para la toma de decisiones. Estos deben ser transformados en información para que puedan ofrecer una vista integral de las diferentes áreas o unidades de negocio. 

La información provee métricas y descripciones de hechos que ya han acontecido, y en modelos avanzados pueden llegar a ser hasta predictivos o prescriptivos, es decir que pueden alcanzar un nivel en el cual propongan soluciones correctivas para situaciones futuras o aspectos actuales.

Como siempre, la tecnología de la información debe apalancar y propiciar que los objetivos y metas de negocio se cumplan, así que comienza a darse una relación fuerte entre la estrategia de la organización y los análisis de datos.

Este enfoque no es nuevo y retoma las escuelas de administración matemáticas cuyo principio se basa en la objetividad que pueden ofrecer los modelos matemáticos. Aunque en un primer avance hacia la formalización de una cultura analítica en una organización no es tan notorio el uso de las matemáticas sobre los datos, aunque no lo notemos, las analíticas descriptivas y prescriptivas basan sus modelos de aprendizaje de máquina para dar lugar a la inteligencia artificial en modelos matemáticos fuertes que involucran la probabilidad y la estadística.

En un principio, la organización empieza a cubrir la digitalización de sus procesos de negocio con aplicaciones bien sean construidas a la medida, con la adquisición de herramientas predeterminadas en modalidades de arriendo (Saas) o por medio de licencias. 

De cualquier modo, estas herramientas y otros utilitarios que con el tiempo comienzan a ser parte esencial de la operatividad, como por ejemplo hojas de Excel, generan muchos datos que en ocasiones pueden ser representados como información a través de reportes, pero que solo acceden a una parte de todo el conjunto potencial de datos. 

Es así como se dan casos en donde gracias a la implementación de un software ERP o CRM se tiene datos, por ejemplo, del seguimiento comercial. Pero estos datos carecen de otro contexto que posiblemente exista en la organización gracias a otros sistemas de información, por ejemplo, un formulario en Google forms para realizar encuestas de satisfacción. 

Estos dos conjuntos de datos, seguimientos de leads y oportunidades nuevas y el segundo conjunto de datos, es decir, los resultados de las encuestas de satisfacción, podrían, al cruzarse, arrojar información interesante sobre comportamientos de recompra o atributos de segmentación específicos. Al no generar una capacidad de analítica, los anteriores análisis probablemente se pierdan.

El poder que ofrecen a las organizaciones los modelos centralizados de datos que puedan arrojar información visual de fácil y rápido entendimiento para la toma de decisiones a tiempo, comienza a generar ventajas sobre aquellas que no tiene la oportunidad de interpretar sus datos como una información integral.

Como todo en la vida, esto resulta como una evolución, paso a paso, en donde en un primer estado se despierta la consciencia de adoptar estos modelos analíticos, luego se comienza con su recolección y centralización de datos. Después se revisa la calidad del dato en términos de veracidad y oportunidad, para comenzar con las primeras visualizaciones de información bajo reportes y tableros de control modernos que reúnen y cruzan los datos de las diferentes áreas de la empresa.

Empezamos a notar patrones y luego de poder tener una cantidad de información considerable, e identificadas las fuentes que generan más datos (por ejemplo foros o publicaciones de Facebook sobre la compañía), se inicia el modelo de la analítica avanzada con la recolección desde estos orígenes, habilitando la aplicación de algoritmos de aprendizaje de máquina (machine learning) para llegar a los resultados predictivos y prescriptivos que con tanto anhelo se desean, y finalmente, en términos de mercado, ayudarán a estar un paso por delante de los demás. 

En términos generales podríamos listar algunas consecuencias de no implementar modelos de analítica de datos con un software de inteligencia de negocios:

  1. Desde los aspectos más básicos como la generación de insatisfacción del cliente por no tener calidad de datos en relación con correos personales, nombre incorrectos, direcciones erradas, etc.
  2. No poder tener seguimientos sobre la operación (no pensar siquiera en el tiempo real) que permita tomar acciones rápidas.
  3. Perder la visión holística de la organización que debe ser considerada como un sistema complejo y sobre la cual sus diferentes componentes generan relaciones que a menudo no son fáciles de identificar sin un respaldo de información y visualización que nos las haga explícitas.
  4. No poder evolucionar en nuevas tecnologías como la inteligencia artificial que bien pudiera ahorrar costos operativos. Plantee un escenario en donde, en un vivero, gracias a la inteligencia artificial, se pueden identificar las plantas que presentan plagas en segundos antes que la inspección manual.
  5. Perder la posibilidad de considerar diferentes fuentes de información que pueden avisar de situaciones futuras. Por ejemplo, identificar un creciente número de comentarios que afecten la imagen corporativa en las redes sociales.
  6. Aumentar costos y tiempos en recursos dedicados a la extracción manual de datos por cada sistema para luego crear tableros o reportes que pueden traer consigo errores humanos.
  7. No controlar la calidad de la información y como consecuencia tomar decisiones erradas sobre reportes con información falsa o corrupta.
  8. Obtener reportes de manera tardía perdiendo el sentido de la oportunidad. Suponga un escenario en donde la información a presentar en junta directiva tiene meses de retraso, no aportaría mucho valor.
  9. Perder la capacidad de analizar datos históricos haciendo comparaciones con los presentes de una manera confiable y rápida.

En Heinsohn aplicamos metodologías que permiten identificar cuál es el estado actual de su organización en relación con los modelos de analítica e inteligencia de negocios para que, en consecuencia, se establezcan planes de acción que permitan cerrar las brechas que se presenten versus un estado futuro deseado, priorizando qué información es y podría ser relevante para tomar sus decisiones. 

Si es el caso, partir de una base sólida que ya exista en su organización respecto a los modelos y arquitecturas de datos para seguir evolucionándolas y así apoyar en la operación que implica el mantenimiento de dichos modelos, identificando nuevos patrones, respondiendo nuevas preguntas de negocio, o si es preciso, llevando modelos antiguos de analítica a despliegues modernos basados en capacidades de procesamiento y servicios cognitivos disponibles en despliegues Cloud con soluciones de business intelligence.