Retos y principales aplicaciones de Inteligencia Artificial en empresas

Retos y principales aplicaciones de Inteligencia Artificial en empresas

Principales aplicaciones de inteligencia artificial en empresas

Las aplicaciones de inteligencia artificial en empresas son cada vez más comunes. La IA ha salido los últimos años de entornos ultratecnológicos y es la apuesta más fuerte para digitalizar servicios y resultar más competitivos en las organizaciones, en una democratización de su uso parecido al que experimentaron otras metodologías disruptivas como internet en los 90.

El principal “culpable” de esta aceleración del uso de inteligencia artificial (pese a contar la historia de la IA entre nosotros con cerca de un siglo) es el big data: la generación diaria de ingentes cantidades de datos imposibles de procesar manualmente, y las necesidades de las empresas de extraer información útil y de calidad para una correcta toma de decisiones hacen de la automatización de procesos la solución más inmediata y eficaz para ello, siendo la IA una metodología muy destacada en este sentido. ¿Cómo abordarla?, ¿qué retos nos supone como empresa?

 

Curación de información: clave para aplicaciones de  inteligencia artificial en empresas

En marketing, se denomina curación de contenidos a la acción de buscar, ordenar, depurar, seleccionar y presentar de forma comprensible las diferentes fuentes que informan sobre un tema concreto, de manera que se filtra y ofrece de forma coherente y organizada los contenidos más relevantes frente a la inmensa cantidad disponible en internet y en otros repositorios.

Mediante esta acción, el content (encargado de los contenidos), presenta la información accesible a cada perfil que lo demande y de una forma que pueda entenderla, a la par que sigue unos protocolos que maximicen su valor (por ejemplo el posicionamiento, visibilidad y usabilidad).

Esta metodología marketiniana se debe hacer extrapolable a la información que se maneja en la empresa: es necesaria una metodología que haga disponible la información contenida en los datos corporativos a cualquier agente que necesite trabajarla, sin necesidad de tener que “bucear” entre gigas y gigas de datos dispersos y la seguridad de que la información obtenida es de calidad y útil para su fin concreto.

Este fin es el que propone el uso de la inteligencia artificial en empresas: la curación de información de forma automática, liberando la dedicación para este fin de los data scientist, para que cualquier agente de la empresa pueda trabajar en todo momento y desde cualquier lugar con ella siempre estando seguros de su validez y eficacia. ¿El principal reto que presenta? Que esta información sea cada vez más novedosa y precisa como para que constituya un importante factor competitivo: de nada sirve incorporar metodologías si no resultan novedosas o no aportan un notable valor diferencial.

 

Principales retos de las aplicaciones de inteligencia artificial en empresas

Incorporar inteligencia artificial en empresas no es simplemente instalar software o aplicar herramientas: requiere de pasos previos como auditar los datos de la empresa, recibir asesoría sobre la metodología más conveniente y los procesos a llevar a cabo, etc. Tampoco es que se deba “revolucionar” el ecosistema de la empresa, pero sí debe haber una voluntad firme de colocar al (buen) dato en el centro de cualquier decisión. Estos son hoy en día los principales retos a los que se enfrenta la aplicación de inteligencia artificial en empresas:

 

La confianza en la metodología IA

Ya lo hemos mencionado y conviene recalcarlo. La lenta implementación que hoy en día se está llevando a cabo con las metodologías de inteligencia artificial es su mayor hándicap a la par que la mayor ventaja para quienes apuestan por ella. Según datos de El País, solo un 16% de las compañías que usan IA creen que están sacando el máximo partido de sus datos. ¿Quiere decir que la IA solo es eficaz en 1,6 de cada 10 empresas? Quiere decir que solo 1,6 empresas de 10 conocen cómo sacarle el máximo rendimiento.

¿En qué fallan el 8,4 de las empresas restantes? En adoptarla como metodología competitiva pero sin visualizar ni entender las razones de su implementación. Tal como indicábamos en los errores más comunes a la hora de digitalizar la empresa, el éxito de incorporar nuevos procesos en este sentido solo es posible si va acompañado de un cambio cultural, que desde la dirección hasta la plantilla entienda la importancia de los datos y cómo el uso de inteligencia artificial los potencia.

 

La integración con el resto de fuentes de datos

La digitalización no es usar herramientas: es aplicar procesos. Dentro de estos procesos, las herramientas son importantes, pero ni en ellas empieza, ni acaba el proceso de transformación digital. Por ello, para que la implementación de IA en la empresa resulte exitosa, se debe integrar en el ecosistema data preexistente, con la finalidad de enriquecerlo, a la par que aporta nuevas fuentes de valor.

Estas fuentes de valor deberán venir tanto de dentro (las bases de conocimiento interno y los datos recolectados previos) como de fuera (nuevas metodologías de captar información) para obtener el máximo rendimiento de la IA a partir de sumar la capacidad de extraer información compartiendo aquellos datos que generan otros actores del ecosistema de la empresa, como por ejemplo los clientes potenciales.

 

Innovar en la extracción de información

¿Y cómo obtener información novedosa de clientes potenciales añadiendo más información de la que se pueda conseguir con las técnicas tradicionales? Es común que construyamos los perfiles de nuestros clientes (fundamental para satisfacerlos y fidelizarlos) en base a cómo interactúan con nosotros o de la información que nos proporcionan en campañas de marketing (edad, género, lugar de residencia…) pero, ¿Y si metodologías como la visión artificial en sectores como el retail nos permitiera, sin ser invasivos y acorde a RGPD, obtener datos como el estado emocional, cuántas veces hace un mismo recorrido, dónde para su atención frente a nuestros productos, etc.?

Esta es una sola de las funcionalidades que podemos llevar a cabo con IA: aplicar visión artificial para hacer un seguimiento anónimo (que puede convertirse en un usuario plenamente identificado combinando esta estrategia con campañas de fidelización por ejemplo) de quienes visitan tu punto de venta, sumando a tus datos, información que no podrías obtener por otros medios no invasivos como el grado de satisfacción.

 

Establecer protocolos de seguridad y protección de datos

La implementación de la inteligencia artificial en empresas debe ir acompañada de expertos en la materia que aseguren un entorno operativo, práctico… y seguro. La seguridad no es un problema exclusivo de la IA, sino de toda materia que involucre big data. Por ello, existe un marco regulador común a todos en Europa, el RGPD, que indica con precisión el tratamiento correcto que le debemos dar a los datos que recopilamos con fines comerciales y de crecimiento empresarial.

Es por ello que en el anterior punto hacíamos referencia al “seguimiento anónimo” (X individuo de X rasgos y características, hace X recorrido por mi tienda) que puede ser transformado en seguimiento personal (Antonio López, hombre caucásico de 39 años que se ha parado hasta en 3 ocasiones en solo diez minutos frente al expositor de pantalones vaqueros) solo con el consentimiento del propio cliente, algo que se puede conseguir mediante técnicas de fidelización (un descuento del 5% rellenando el formulario de contacto y aceptando el tratamiento de sus datos para fines comerciales).

Con ello, queda patente que el uso de IA tiene las mismas implicaciones en cuanto a seguridad y protección de datos que cualquier otra herramienta que podamos usar para fines similares (analítica web, facturación, etc.). La seguridad la aporta el entorno, las metodologías y las aplicaciones que se usen para ello, de ahí a la necesidad de auditorías previas como ya habíamos insistido, y la asistencia profesional.

 

Demostrar (y buscar) el beneficio al cliente y la empresa

Es el reto “ético” del uso de inteligencia artificial en empresas y profundo tema de debate por el cual se llega a cuestionar su utilización por quienes no comprenden su funcionamiento: la IA no ha venido ni a eliminar puestos de empleo, ni a invadir la privacidad.

La inteligencia artificial simplemente se plantea para mejorar la productividad por parte de la empresa y el conocimiento que tenemos del cliente por parte de la actividad del negocio a la que la aplicamos.

Así, la inteligencia artificial resuelve el trabajo de filtrado, limpieza y presentación de datos en empresas en el que el volumen de éstos es tal, que sería imposible resolverlos de forma manual. Por ello, la IA se encarga de un trabajo que de por sí resulta inabarcable: no sustituye, mejora lo procesos. Así, la persona encargada de la gestión de datos no se ve reemplazada, sino que dispone de más tiempo y menos esfuerzo que le permite dedicarse a otros aspectos fundamentales de sus tareas.

En cuanto a la perspectiva del cliente, la recopilación de sus datos no se lleva a cabo para “invadir su privacidad” (hecho que, dicho sea de paso, ya se da en casos como la navegación web o el uso de aplicaciones en el smartphone), sino para aspectos que le suponen un beneficio, ya sea mejorando un producto hasta el punto de resolverle necesidades específicas cuando antes no lo hacía (gracias a la información recopilada); ya sea mejorando la comunicación que se lleva a cabo con él (evitando por ejemplo mails repetitivos, sin su interés a la hora de abordar campañas de marketing).

Podríamos resumir llegados a este punto con que el principal reto de la aplicación de inteligencia artificial en empresas por tanto no reside en sus facultades o las tareas que resuelve, sino conocer todas las implicaciones y beneficios de su uso. Un uso que tarde o temprano será mayoritario dado el crecimiento exponencial de todo lo que supone trabajar con datos, y que por tanto, cuanto antes resolvamos este reto, antes ganaremos en competitividad. ¿Dispuesto a dar el paso?

 

Claves y errores más comunes en la digitalización de empresas

Claves y errores más comunes en la digitalización de empresas

La digitalización de empresas necesita un plan firme y consensuado para su puesta en marcha

La importancia de la digitalización de empresas la notamos en el salto cualitativo que supone abordarla a nivel competitivo. La transformación digital hoy en día es el internet de principios de siglo: estar o no estar en la red suponía existir o no existir para la gran mayoría de clientes, hasta tal punto que nadie, o casi nadie se atreve a emprender un negocio sin su réplica digital que lo haga accesible al todopoderoso Google entre otros buscadores.

Con las herramientas y metodologías que agilizan, flexibilizan y ofrecen claridad ante los procesos de cada negocio sucede lo mismo: las empresas que mejor manejen la información sobre sus clientes e incorporen correctamente metodologías novedosas serán las que mayores oportunidades de crecimiento tendrán.

Es por ello por lo que quienes aún no han abordado un proyecto de transformación digital, se plantean hacerlo en el corto plazo, tal como ocurrió durante el contexto de pandemia donde 7 de cada 10 negocios incorporaron metodologías basadas en la digitalización de empresas (fuente: Diario Expansión).

¿Y a qué llamamos “proceso digitalizador”? Esta cuestión es la clave por la que podemos fácilmente caer en los errores más comunes a la hora de abordar la digitalización de empresas: digitalizar no es simplemente incorporar tecnología… ¿Qué debemos tener en cuenta para una transformación digital exitosa?

 

Claves de una transformación digital exitosa

Una transformación digital exitosa debe suponernos notables mejoras en los procesos, así como crecimiento empresarial. Para ello, hay tres pilares claves que debemos tener en cuenta para que toda innovación en la empresa resulte eficaz:

 

#1 Dirección y equipos involucrados

Es la primera y de las más fundamentales claves de la correcta digitalización. La definición más concisa de digitalización a día de hoy (no se entiende igual la digitalización en el 2001 que en el 2022) es la de transformación digital, de ahí a que se use indistintamente una u otra; y todo lo que se transforma, cambia totalmente. Esta retahíla de obviedades nos sirve para incidir en que no podemos pretender abordar un cambio hacia lo digitalizador, y que sigamos con una mentalidad y con unos procesos previos a ésta.

Por ello, para que la digitalización funcione, debemos no solo creer en ella, en los beneficios que nos va a reportar, sino también comprometernos con ella: involucrarnos en el cambio, asimilar sus procesos e incorporarlos en en día a día de la empresa. De nada sirve contar con la más novedosa metodología, si al final recurrimos a procedimientos ya obsoletos o no la adoptamos completamente.

 

#2 Procesos, no solo herramientas

Comprar un nuevo software de gestión y usarlo no es digitalizar. Puede que lo fuera en los noventa cuando pasamos de la mecanografía o la escritura a mano, a usar Microsoft Word (de ahí a que hayamos hecho la distinción de que no es lo mismo digitalizar ahora que hace 20 años), pero en plena tercera década del s. XXI la digitalización solo se entiende si supone incorporar metodologías totalmente novedosas.

Estas metodologías probablemente requieran del uso de herramientas, pero por sí solas no nos aseguran el éxito y la competitividad si no se acompañan de un proceso que “transforme” la manera en la que producimos. Así, por ejemplo, llevado a la gestión del dato, una plataforma de integración es básica, pero de nada sirven datos integrados si cada uno de los que intervienen en ellos, no sabe de dónde tomarlo o no refleja los posibles cambios o acciones que realice en ellos.

 

#3 Cambio cultural en la empresa

Insistimos: transformar no es maquillar, ni intervenir parcialmente… es cambio. Un cambio que se debe reflejar en cada agente, en cada proceso, en cada forma de actuar dentro y fuera de la empresa. Por ello, además de contar con el compromiso de la dirección, se debe hacer un esfuerzo porque cada miembro de la organización entienda este cambio y sea partícipe de él.

No podemos pretender que nuevos procesos y nuevas metodologías funcionen si a quienes van destinadas, ni siquiera entienden su valor o cómo puede ayudarles en el día a día. Previo a un proceso de transformación digital debe explicarse a cada uno de los que se verán afectados el porqué del cambio y en qué les beneficia.

¿Por qué queremos hacer más accesibles los datos? Porque mejora el día a día al tener información actualizada y veraz. Una información que si antes residía en una carpeta del escritorio del portátil, ahora debe constar en un datalake, en cloud o donde mejor convenga pero accesible y útil a toda la organización.

 

“El 86% de las empresas están involucradas o han implementado procesos de transformación digital. Sin embargo, de todas ellas, el 84% fracasa en estas iniciativas al no adaptarse adecuadamente y en su totalidad al modelo planteado”

 

Principales errores al abordar la digitalización de empresas

Los principales errores en el momento de iniciar un proceso de transformación digital en la empresa vienen precisamente de no seguir las claves indicadas. Así, nos encontramos con procesos fallidos al momento en el que solo entendemos la digitalización como la incorporación de tecnología; la dirección no muestra un compromiso firme con ella; y no supone un cambio cultural en cómo la empresa aborda su día a día.

No obstante, seguir al pie de la letra las tres claves tampoco es garantía de éxito. Debemos tener en cuenta otros factores que nos llevan a error como:

 

#1 Mantener una estructura departamental rígida

 

La clásica división-frontera entre departamentos como marketing, RRHH, ventas, IT, etc., no tiene sentido en una era de digitalización destinada a compartir y hacer partícipe a toda la organización de la producción y tratamiento de la información.

Esta división tiene sentido en estructuras “fordistas”, ancladas en el s. XX donde cada miembro de la organización está orientado a la realización de tareas muy concretas. En un s. XXI donde se tiende hacia estructuras más flexibles, adaptativas y colaboraciones interdepartamentales (términos como smarketing: sales + marketing dan muestra de ello), los departamentos deben ser cada vez estructuras más multidisciplinares, donde el conocimiento no esté únicamente limitado al área del que se produce.

El modelo de transformación digital es clave a la hora de implementar la digitalización de empresas

#2 Evolucionar únicamente a través de la optimización de costes

 

Buscar el crecimiento empresarial únicamente basándonos en el ahorro inmediato y en la búsqueda de ingresos cortoplacista no es ser competitivo, que es lo que se busca con el fenómeno digitalizador. Para ser realmente competitivos, debemos evolucionar a través de las necesidades de nuestros clientes, incluso llegando a anticiparnos a éstas.

Por ello, forma parte del mismo proceso de transformación digital, la transformación del modelo de negocio: evolucionando de un modelo basado meramente en la maximización de beneficios entre producción – venta, a un modelo basado en la creación de valor real al cliente, donde conozcamos y anticipemos sus necesidades en profundidad gracias a metodologías como el machine learning, la analítica predictiva o la inteligencia artificial.  

De esta forma, contando con un correcto proceso digitalizador, el cada vez más acelerado cambio de necesidades del consumidor no nos afectará al contar con información veraz y actualizada que nos indica hacia dónde se dirigen, teniendo mayor capacidad de maniobra que si apostamos por el modelo cortoplacista del máximo beneficio al momento.

 

¿Por qué tender a modelos de negocio basados en crear valor al cliente? El caso Blackberry

Podemos pensar leyendo el error de centrarnos únicamente en la optimización de costes, que maximizar beneficios entre producción – venta en todo momento no es algo negativo, sino algo que reporta siempre beneficios en cuanto se equilibran las finanzas. Este mismo modelo es el que llevó a la cima del éxito a la empresa de dispositivos móviles Blackberry… solo para hacerla desaparecer un par de años después.

Blackberry revolucionó el mercado de los teléfonos móviles incorporando innovaciones a sus dispositivos muy valoradas por sus consumidores. En concreto, estos modelos de telefonía móvil contaban con una interfaz de lectura de emails muy cómoda justo al momento en el que despegaba el uso de estas formas de comunicación (primera década del s.XXI), un teclado QWERTY que agilizaba la escritura y un sistema de chat propio (BBM) cuando aún quedaba una década para que se popularizara Whatsapp (Blackberry se lanzó en 1999 mientras que Whatsapp en 2009).

Todo ello le llevó a contar con más de 14 millones de usuarios y abarcar una cuota del 20% de mercado (por cada 5 smartphones que se vendían en 2011, uno era Blackberry), que en tan solo un margen de 2 años, se redujo a un nimio 3%.

¿Qué ocurrió para pasar de vender 80 millones de terminales a desaparecer totalmente del mercado en menos de un lustro? El primer problema fue la falta de agilidad a la hora de asimilar los cambios que afectaban a su principal cuota de mercado: el teclado QWERTY era una ventaja muy competitiva en el momento en el que los teclados tradicionales eran los alfanuméricos, que con las pantallas táctiles desaparecieron por completo. De igual forma, su sistema de mensajería también dejó de tener sentido al momento en el que cualquier usuario tenía acceso a la app de Whatsapp.

La lentitud de reacción de Blackberry a la hora de adaptarse al cambio y escuchar las necesidades del mercado lo abocaron al fracaso en tiempo récord, algo en lo que tuvo gran parte de culpa contar con una estructura “peculiar”, donde la dirección se repartía en dos divisiones que trabajaban de forma independiente: producción y ventas. La falta de fluidez y comunicación entre ambos impidió una respuesta ágil y eficaz para el mercado.

¿Cómo hubiese afectado un proceso de digitalización adecuado a Blackberry?

De haber adoptado los principios básicos de la transformación digital a tiempo, es muy probable que Blackberry aún hoy fuera una marca competitiva, ya que hubiese solventado ágilmente los errores que la llevaron a la quiebra:

 

  • Hubieran entendido al momento en el que se producían los cambios en el mercado.
  • Hubieran contado con información de calidad para incorporar cambios en su producción.
  • El equipo de desarrollo y el de ventas hubiesen manejado la misma información y, por tanto, habrían sido capaces de afrontar el cambio a la par y sin demoras.
  • Hubiesen sido capaces de anticipar los cambios de tendencia y podrían haber trabajado con ellos en mente desde el primer momento.     
  • Hubiesen mantenido su posición de liderazgo al incorporar más velozmente que la competencia, los cambios que su target solicitaba.

 

 

#3 Ofrecer lo que creemos mejor para el cliente (sin tenerlo en consideración)

 

El marketing en el s. XX consistía en crear necesidades que no existían. El marketing en el s.XXI consiste en atender a las necesidades que le surgen de forma más ágil que la competencia. Así, hoy en día supone un error aventurarnos a lanzar productos y servicios pensando en que van a resolver una necesidad… La clave de este error está en el “aventurarnos”.

A día de hoy disponemos de las suficientes herramientas y metodologías como para conocer al momento qué necesita nuestro target potencial, sin necesidad de imaginar o dar por supuesto que X solución que consideramos tan buena, vaya a ser un éxito. Los datos están ahí presentes, solo tenemos que captarlos, interpretarlos, asimilarlos y, en base a ello, dar con la respuesta que necesitamos.

Para ello, debemos acudir a modelos de recolección de datos que no se basen en lo incierto. Una encuesta de opinión no necesariamente refleja la opinión, valga la redundancia, ya que factores como el estado emocional del encuestado al momento de responder, su situación sociodemográfica (donde vive, su nivel adquisitivo, su género, edad, etc.) o incluso el tiempo que haya pasado desde que ofrece su respuesta, hasta que se tramita, pesan demasiado como para considerar el resultado los suficientemente de calidad como para tomar decisiones relevantes en base a ello.

Metodologías como la visión artificial, capaz de captar el sentimiento que genera en una persona una acción concreta; la gestión del big data, capaz de interpretar enormes cantidades de datos y acorde a ellos, ofrecer informes concisos; y/o la inteligencia artificial, capaz de predecir acciones acorde a la información recabada del entorno, son solo tres ejemplos de cómo hacer partícipe a nuestros usuarios en la búsqueda de aquello que le resuelve sus necesidades.  

 

Conclusiones: cómo abordar correctamente los procesos de digitalización de empresas

 

Teniendo en cuenta las claves, y evitando los errores tenemos ya mucho ganado a la hora de abordar con éxito cualquier proceso de digitalización de empresas, pero todo se puede resumir en un solo factor: el tratamiento de los datos.

Colocando al dato en el centro de cualquier decisión y haciendo entender a toda la organización de su importancia, de su cuidado, compartido y correcto tratamiento estaremos aplicando todas las claves y evitando todos los errores marcados.

¿Y cómo dar valor a los datos de la empresa? Esta es la primera pregunta que debería iniciar todo proceso de digitalización de empresas en pleno 2022, y la respuesta la tenemos en conocer en qué fallamos y en que podemos mejorar a la hora de tratar la información dentro de la corporación.

Para ello, una auditoría data quality nos permitiría tener un diagnóstico preciso del estado de la empresa en torno a sus datos, detectando los errores y guiando hacia su resolución. Solo así podremos incorporar y hacer uso de metodologías destinadas específicamente para resolver nuestros problemas con la gestión del dato, sin caer en sobredimensionamientos que nos alejen de un uso intuitivo y natural, o quedándonos en superficie sin llegar a cumplir con el 100% del proceso digitalizador.

Autoconocimiento de la gestión del dato; compromiso con la producción de la información y facilidad a la hora de incorporar cambios transformadores serían finalmente los tres ingredientes que nos guían hacia el éxito de una correcta digitalización en las empresas y nos alejan de cualquier error. ¿Está tu empresa encaminada hacia el éxito y la competitividad?

Analiza tus datos
En qué consiste una auditoría de datos

En qué consiste una auditoría de datos

Auditoría de datos

Sin buenos datos no hay buenas decisiones: necesitamos una base de conocimiento de calidad para tener la certeza de que cualquier medida que sirva para el crecimiento de nuestra empresa, esté perfectamente fundamentada. De esta manera, tanto el presupuesto como las acciones destinadas a ello podrán estar plenamente justificadas y estaremos 100% seguros de que nos pueden reportar beneficios.

Es por ello por lo que sin una garantía de que cada proceso data se está llevando a cabo de forma correcta, sin ese 100% de seguridad que no nos haga dudar de cualquier decisión, lo que debería ser claridad y precisión se vuelve incertidumbre. Para poner remedio a esta situación existe la auditoría de calidad de datos: un primer paso imprescindible para toda estrategia de data governance y, por tanto, para el crecimiento de nuestro negocio.

 

¿Qué es una auditoría de datos?

Retomando el muy visual concepto de data health o salud de los datos, una auditoría data quality sería el diagnóstico que nos permite conocer la medicación (la estrategia de gobierno de datos) que permite que cualquier dato introducido en nuestras bases, sea de calidad como para poderlo usar como información útil.

Así, la auditoría es el primer paso necesario para desplegar una estrategia que nos va a llevar a confiar en cada uno de los datos que forma el conocimiento de nuestra empresa, de nuestro entorno y sector, indicándonos nuestros puntos a mejorar para que, cualquier dato obtenido de nuestra empresa, sea de calidad.

¿Y cuándo realizarla? La respuesta a esta pregunta es sencilla: desde el momento en el que “desconfiamos” de que los datos que obtenemos sean válidos para cualquier estrategia, pero no sabemos exactamente en qué estamos fallando. La auditoría de calidad de datos es la metodología que nos va a detectar dónde se encuentra el error que impide un total data quality.

 

¿Cuándo iniciar una auditoría de datos?

Tal como acabamos de indicar, una auditoría es lo más indicado al momento en el que hay sospechas de que algo no va bien con nuestros datos, ya sea porque no obtenemos los resultados esperados, porque no sabemos qué hacer con la información obtenida o porque surgen trabas a la hora de procesarla.

Pero no necesariamente tenemos que intuir el error para buscar dónde se encuentra: trabajar con big data siempre va a acarrear riesgos en su gestión si no tenemos un plan detallado o una estrategia data governance previamente planteada. Al momento que nos encontramos con grandes flujos de información, numerosas fuentes de datos y diferentes departamentos que interfieran en ellos, crecen las probabilidades de que los buenos datos pierdan visibilidad a la par que otros datos vayan perdiendo calidad por no ser correctamente atendidos (por ejemplo al duplicarse, no actualizarse, completarse, etc.). En este caso la auditoría nos marca dónde actuar para que ninguno de estos factores negativos que afectan al dato, entren en el flujo de la empresa.

Por otra parte, una auditoría también se plantea como una medida de prevención y tratamiento excelente para nuestros datos cuando iniciamos procesos que los puedan intervenir o modificar. Es el caso de migraciones a cloud, incorporación de nuevas herramientas de recolección, gestión y/o tratamiento, etc.

Cuando abordamos estos procesos, corremos el riesgo de que, si no se hace de forma integral o siguiendo una estrategia de gobierno del dato, se pierdan datos, se modifiquen o simplemente traslademos información vacía, caduca e inútil como si fuera válida. Una auditoría previa nos marcaría cómo evitar ensuciar las nuevas bases.

Por último, hay una clave aplicable no solo a este servicio, sino a todos los que involucra trabajar con datos: el tiempo. Si tenemos la sensación de que no estamos invirtiendo el tiempo de nuestra plantilla adecuadamente, es que algo se está haciendo mal.

 

Una Auditoría Data Quality te marcará antes de que te lo encuentres, donde se encuentran los errores que se producen con tus datos, ahorrándole tiempo a tus técnicos y previendo los efectos que pudieran tener en tus bases

 

¿Cuánto nos puede costar una hora de un data scientist? Trabajos tan técnicos como los de estos perfiles son oro en la organización, y sin embargo, según un estudio de Harvard Business Review, este tipo de profesional destina de media el 60% de su tiempo a limpiar bases. ¿No resultan demasiadas horas para una tarea que se puede / debería automatizar?, ¿no estaría el fallo del por qué tanto tiempo invertido, en fallas en los procedimientos de tratamiento de los datos?

Este tipo de indicadores nos deberían alertar de que algo no se está haciendo bien, y ya no hablamos de que un contacto de marketing aparezca duplicado, sino miles de euros al año que se van en simplemente detectar y borrar ese duplicado en el mejor de los casos, contactarlo dos veces y que se incomode por ello en el peor.

La utilidad de la auditoría y cuándo debemos plantearla por tanto se responde con un simple planteamiento: cuando sentimos que algo no se está haciendo bien y repercute en el balance de la empresa.

 

¿Cómo se lleva a cabo una auditoría de datos?

 

Tenemos el qué, el cuándo, el por qué y el quién. Solo nos queda el cómo abordamos la auditoría para garantizarnos dar con la solución que nos permita devolver el valor de los datos a nuestro negocio.

Una de las virtudes de la auditoría es que no requiere desplegar equipos ni intervenir en el día a día de los procesos que lleves a cabo con los datos: no tiene sentido que un proceso de detección de errores intervenga en ellos propiciándolos, como ocurriría con un método invasivo que paralizara tu producción.

Para ello, simplificamos la metodología en tres fases:

 

Perfilado de datos

Tomamos una muestra de los datos con los que se trabaja frecuentemente en tu empresa, los exportamos sin intervenir en ellos y permitiendo su uso en todo momento y, mediante herramientas y procesos concretos como el data profiler, detectamos los errores.

 

Análisis e Informe

Los aspectos analizados de todo tu entorno data se reflejan en un informe donde podrás localizar qué está fallando en cómo tratas los datos de tu empresa, dónde se encuentran esos errores y en qué medida afecta a tu estrategia global de tratamiento de datos.

 

Propuesta de solución

De forma complementaria al informe, se ofrece la medida que permitiría resolver cada error: ya sea aplicando una herramienta, un procedimiento, migrar a cloud o directamente desplegar una completa estrategia de data quality, según interpreten nuestros profesionales la información contenida en el informe.

Con ello, estamos tratando la auditoría de calidad de los datos como el guion, la escaleta, que nos lleva al dato perfecto: aquel que sin dar lugar a la duda nos permite el crecimiento como empresa.

Analiza tus datos

Pasos para establecer un plan de Data Governance

Pasos para establecer un plan de Data Governance

Data governance

Un plan de data governance tiene un claro objetivo: establecer el entorno data adecuado para una mejor toma de decisiones. Es decir, una gestión activa y eficaz del ciclo de vida del dato para que de él se pueda obtener la máxima información posible.

Para ello, no basta con desplegar las herramientas que lo posibilitan: debemos ser capaces de coordinar todos los elementos que involucran la producción de datos en la empresa. Esto incluye tanto metodologías, como tecnología y personal a cargo. ¿Cómo hacerlo posible?

 

Objetivos del gobierno del dato

Mejorar cómo tomamos las decisiones que involucran el crecimiento de la empresa suena bien pero ¿únicamente desplegamos todo un plan para mejorar nuestros conjuntos de datos? Resumir un programa de data governance a este fin es dejar de mejorar aspectos vitales en la empresa como:

  • Aumentar el valor del dato: los procesos desplegados aseguran que cualquier dato en nuestra organización, está basado en criterios de calidad, con todo lo que ello implica.
  • Reducir riesgos al mínimo: un dato de calidad solo puede serlo si es seguro y no contiene errores, lo cual permite trabajar con él sin que tenga consecuencias imprevistas en este sentido.
  • Reducir la fricción organizativa: la fricción se define como la pérdida de recursos por un desempeño poco eficaz en una tarea. Trabajar con datos sin coordinación entre los diferentes actores que lo producen, puede suponer que se intervenga en él restándole valor, y trasladando esta ineficacia al resto de plantilla que lo utiliza.
  • Garantizar la transparencia de los procesos de producción de datos: un dato gobernado es un dato al que se le puede seguir su recorrido, conociendo cómo se ha producido y quienes han intervenido en él, de forma que esté perfectamente documentado y no produzca incertidumbre.
  • Implicar a toda la plantilla: como consecuencia de los dos puntos anteriores, un buen plan de data governance tiene como resultado que todos los equipos conocen y son capaces de trabajar con datos, aunque no sepan a priori de dónde provienen (por procesos de IT, campañas de marketing / ventas, etc.).
  • Reducir costes: un buen plan de data governance asegura que todo dato producido, es un dato válido. Este hecho reduce costes en el sentido de que no perdemos, ni hacemos perder tiempo a la plantilla en limpiar bases o producir datos de dudosa efectividad, además de reducir riesgos en las tomas de decisiones relevantes y, por tanto, evitar decisiones mal fundamentadas que produzcan pérdidas (de tiempo y dinero).

Cuándo necesitamos un plan de data governance

Dando un vistazo a los objetivos de un plan de gobierno del dato, ya nos podemos hacer una idea de los amplios beneficios que reporta, por lo que la respuesta más sencilla a cuándo necesitamos un plan de data governance es simplemente, al momento en el que trabajamos con datos y queremos obtener lo mejor de ellos en todo momento.

No obstante, a nivel organizacional y como medida de planificación, existen casos muy concretos en el que el data governance deja de ser una mejoría de los procesos a una necesidad imperante. Se da en los siguientes casos:

  • Pasamos de bases de datos controladas a un entorno big data, en el que las fuentes de ingesta de datos son numerosas, los departamentos que trabajan en ellas diferentes entre sí, y se establecen diferentes tareas multifuncionales en torno a la gestión del dato.
  • Contamos con la figura del arquitecto de datos, data scientist o cualquier otra labor relacionada específicamente con la gestión del dato, y que, en consecuencia, necesitan de un plan y de las herramientas adecuadas para llevarlo a cabo de forma ordenada.
  • No conocemos la trazabilidad de los datos ni tenemos documentado o procedimentado el origen de cada uno de ellos, lo cual nos crea (o nos debe crear) cierta desconfianza sobre su validez.
  • No tenemos coordinado ni integrado el ecosistema de herramientas y metodologías que actúan en la producción, gestión y explotación de datos de forma que es imposible contrastarlo y hay riesgo de duplicidades, accesos no autorizados, pérdidas de tiempo notable acudiendo a las diversas fuentes, etc.
  • Debemos mejorar y asegurar el cumplimiento de la normativa legal respecto a los datos (RGPD, LOPD, etc.).

 

Cómo establecer un plan de data governance en 5 pasos

Tanto si queremos asegurar trabajar con datos de calidad, como si queremos poner orden en conjuntos caóticos en los que no se conoce de dónde proviene la información y si es 100% fiable, contar con un equipo que gestione el gobierno de datos es el punto de partida necesario para poder desplegar un plan de data governance sólido y duradero.

Los programas de data governance están diseñados para preparar reglas para una empresa en cuanto a gestión del dato y para poder solucionar cualquier problema que pueda surgir con respecto a los datos que se trabajan en la organización. También aseguran el cumplimiento de RGPD, informan sobre quiénes son los responsables de los datos y quiénes pueden trabajar sobre ellos. En estos programas debemos basar los cimientos de las siguientes fases del gobierno del dato:

 

#1 Determina el grado de ambición del proyecto

Insistimos en lo que supone data governance: el gobierno del dato implica todo proceso que se despliega desde que el dato se produce, hasta que se trabaja con él convertido en información. Por lo tanto, un gobierno integral supone intervenir en prácticamente toda la actividad de la empresa.

Según el grado de transformación digital en el que se encuentre la empresa (avanzado o por iniciar), se puede establecer un plan de forma integral, o interviniendo únicamente en las fases en las que nuestra organización resulte menos productiva.

También depende de las herramientas con las que ya trabajemos y el ecosistema data previamente existente: no es lo mismo coordinar y centralizar distintas herramientas que ya trabajan de forma eficaz en las diferentes fases del viaje del dato, que hacerlo con metodologías desfasadas, almacenes de datos caóticos y/o plantillas que desconocen la forma en la que la información les llega.

Con toda esta información sobre la mesa previamente, se puede diseñar una hoja de ruta clara, precisa y que tenga como objetivo final reducir costes y aumentar la eficacia.

 

#2 Detecta quiénes intervienen y trabajan con los datos

Tal como comentábamos en los objetivos, una de las finalidades del buen gobierno del dato es que todo departamento, toda persona implicada en la empresa en estos procesos, conozcan no solo cómo trabajar con los datos a su disposición, sino cómo se han producido y quiénes han intervenido el él.

Es por ello vital que estos actores del viaje del dato, para que se sientan cómodos y tengan la certeza que el dato es de calidad, se impliquen y se coordinen en la producción de información.

¿Quiere decir esto que desde marketing, deben tener conocimientos de IT o viceversa? Precisamente una de las finalidades del data governance es que toda la plantilla pueda trabajar con datos sin que sea “una partida de tenis”, en el que departamentos de diferente naturaleza se pasan los unos a los otros requerimientos que se retrasan por falta de entendimiento.

Así, conociendo estas necesidades, se pueden presentar en el plan de data governance herramientas cuya usabilidad y cómo presentan los datos a su usuario final, no requiera de conocimientos más allá de la rama en la que se trabaja.

 

#3 Crea roles, metodologías, responsabilidades y reglas respecto a la gestión del dato

Este paso va muy de la mano con el anterior. Una vez se tiene conciencia de quiénes intervienen en los datos en el día a día de la empresa, se debe “ordenar” esa intervención y aclarar posturas entre ellos, precisamente para que no exista esa “partida de tenis” antes referida o se generen multitud de correos para atender a una única petición.

¿Quieres una apuesta firme por el control y la producción de datos de máxima calidad? Tener las herramientas precisas es un primer buen paso, pero sin el compromiso no solo de la plantilla, sino de la dirección de la empresa, todo puede quedar en intenciones.

De nada sirve tener datos de calidad si no se sabe qué hacer con ellos, o quiénes son los encargados de obtener la información. Es por ello por lo que además de involucrar a toda la plantilla sobre la importancia del dato, se deben crear y especificar roles que mantengan “limpio” tanto el procedimiento como el resultado.

 

 #4 Facilita herramientas y coordina las preexistentes

Ya lo hemos mencionado a la hora de hablar de las necesidades de aplicar un plan de data governance y en el primer paso: su planificación. La razón de tanta insistencia es por que es un paso clave para su consecución: el gobierno del dato debe facilitar el día a día de cada miembro de la plantilla. Por ello, de nada sirve si en vez de ahorrar tiempo y aumentar la productividad, tiene “de vuelta y media” a ciertos departamentos que, constantemente, deben intervenir en las bases de datos para limpiarlas de datos difusos o poco confiables.

Si estos datos llegan a las bases, es que algo no se está haciendo bien. Por tanto, un paso primordial es automatizar procesos con herramientas fiables que aseguren que cada dato es de calidad, a la par que esa automatización, libera el tiempo de quienes con anterioridad, se encargaban de limpiar las bases de datos.

Respecto a las herramientas con las que ya contábamos (CRM, programas financieros, herramientas externas de marketing, etc.), debemos ser capaces de aunarlas para hacer disponibles los datos que tramitan a quienes lo necesitan, a la par que “invisibilizarlos” a los que no, ya sea de forma on premise, híbrida o, aún más deseable para una mejor gestión, migrando los datos a cloud.

 

#5 Audita y sigue el recorrido del viaje del dato

Has planificado, has coordinado y has implementado las herramientas necesarias, ¿Qué faltaría para “blindar” nuestro plan de data governance? Pues algo tan sencillo como comprobar su eficacia.

Es tan sencillo como que cualquier miembro de la plantilla sea capaz no solo de identificar de dónde proviene y cuál es el sentido de los datos que trabajan, sino también los del resto de la corporación, sin que ello implique poder acceder a información sensible o confidencial.

También debemos tener bajo control la accesibilidad a los datos, en el sentido de que de nada sirve almacenar durante años información, si por obsoleta, por no ser visible o simplemente por no acudir a ella, no nos aportan beneficio. Los datos, tal como ocurre con los alimentos perecederos, caducan, y nadie quiere algo caducado junto a lo que considera útil y válido.

 

¿Es complicada la puesta en marcha de un plan de gobierno de datos?

Llegados a este punto del artículo, puede que estemos abrumados de todo lo que comporta un buen plan de gobierno del dato. No es para menos: hablamos de poder fiarnos y de poder obtener el máximo provecho de cualquier información salida de la actividad de nuestra empresa y sobre las que tomamos decisiones importantes para su crecimiento y competitividad.

No obstante, todo lo descrito es un detalle paso a paso, pero se puede resumir en dos claves que, nuevamente, dependen del grado de compromiso que quieras adquirir para con los datos de tu empresa y el estado de éstos:

  • Asesoría experta: a priori, si no dispones del expertise o del equipo adecuado para ello, no es necesario que despliegues por tus propios medios el plan. La parte más importante de ello es adquirir el compromiso de la importancia que tienen los datos para la empresa y transmitirlo a la organización. El resto del plan puede quedar en manos de profesionales expertos en transformación digital que te guíen y asesoren en la medida que lo necesites, ya sea mediante servicios gestionados, proyectos llave en mano, mantenimiento y evolutivo, o mediante outsourcing.
  • Herramientas especializadas: si dispones de un entorno caótico de datos o estás comenzando con el proceso de digitalización, contar con una suite de herramientas que bajo un mismo paraguas de gestión, te facilite todo el proceso de gobierno de datos puede ser más adecuado que “ordenar” una situación ya de por sí caótica.

Tener bajo control los datos que suponen el core de tu empresa puede ser más sencillo de lo que piensas. Lo que sí te podemos asegurar, es que no tener controlada la información que maneja el día a día de tu corporación es el verdadero problema que solucionar. ¿Quieres empezar hoy mismo?

¿Cómo ayuda la gestión de los datos al cumplimiento de los ODS? Objetivo 15: vida de ecosistemas terrestres

¿Cómo ayuda la gestión de los datos al cumplimiento de los ODS? Objetivo 15: vida de ecosistemas terrestres

Datos y ODS 15

En Elternativa queremos fomentar tanto la importancia del valor de los datos, como la necesidad de que éstos cumplan con los propósitos planteados en los 17 ODS que desde la ONU nos marcan para un planeta más eficiente e igualitario. Es por ello por lo que, con motivo de días señalados, abordamos uno de los objetivos de desarrollo sostenible y lo vinculamos a la actividad de la extracción de información a través de los datos. Esta semana es el turno del objetivo 15: vida de ecosistemas terrestres.

 

Objetivo 15: vida de ecosistemas terrestres

 

La importancia de cada uno de los 17 ODS es máxima en cuanto aseguran una vida sostenible y paritaria. Para ello, cada uno de nosotros como individuos debemos ser capaces de respetar y proteger el entorno. Un entorno que no debe basarse en artificios, sino que nos viene dado y es sustento del equilibrio natural.

El respeto a la vida de los ecosistemas terrestres y la mejora del entorno luchando contra la pérdida de biodiversidad y degradación del territorio son los factores que abordan el quinceavo ODS, y que hemos querido desarrollar con motivo del Día Mundial de la Diversidad Biológica.

Los datos no nos son nada favorables al respecto:

  • La actividad humana ha alterado casi el 75% de la superficie terrestre.
  • Alrededor de un millón de especies de animales y plantas se encuentran en estado de peligro de extinción.
  • Desde 1990 unos 420 millones de hectáreas de árboles han desaparecido por talas para el cambio de usos del suelo.
  • El 52% de la tierra utilizada para la agricultura se ve moderada o severamente afectada por la degradación del suelo.
  • 12 millones de hectáreas se desertifican cada año.

 

Cómo ayuda la gestión de los datos a la mejora de la vida de ecosistemas terrestres

 

Hay un hecho que ya podemos constatar desde este mismo artículo: sin datos precisos, exactos y veraces, no podemos ser conscientes de una realidad biodiversa que ha pasado de la teoría a la práctica no por la convicción de toda la comunidad, sino por la urgencia de llevar a cabo las medidas que la protejan, incluso con el freno de administraciones y empresas que aun no ven en la responsabilidad social mas que una práctica publicitaria o una cuestión ideológica.

Por ello, recopilar, verificar y difundir datos como los expuestos ayudan a un primer paso que ya deberíamos haber abordado hace décadas: el de la concienciación. No reducimos el consumo de plásticos o reciclamos papel por razones económicas, de conciencia o greenwashing: reducimos el consumo de plástico porque sabemos y somos conscientes de que una botella de plástico puede tardar 500 años en biodegradarse; y reciclamos el papel porque cada individuo gasta de media 48 kilos al año, siendo 58 los kilos que produce un árbol maderero medio (el roble y el arce frecuentemente).

Sin esta información y su difusión, el reciclaje o la reducción de consumo de bienes de un solo uso o finitos, no estarían en el punto de mira, quedando como opciones de vida más que como acciones urgentes para la mejora del ecosistema.

Los datos (de calidad) no se recopilan para debatir sobre ellos: muestran la realidad tal como es, ya que nacen de esa misma realidad. Por ello, cuanto más se exponga esta realidad y no la que nos interesa o la que queremos ver, más medios y más facilidades tendremos para mejorarla, en este caso, en pro de un ecosistema más sostenible y mejor conservado.

La tecnología: clave para la consecución del decimoquinto ODS

 

¿Y de dónde provienen la información que nos indican que algo no estamos haciendo bien en cuanto a la conservación del medio? Los datos de calidad, para que puedan llegar a su público limpios y depurados, requieren que se intervengan desde el comienzo de su ciclo, es decir, desde el mismo momento que el dato se introduce en las bases.

Para ello, es vital que el sistema mediante el cual se recolecta, sea igual de preciso que se pretende sea la información que ofrezca: no ofrece el mismo grado de exactitud y veracidad una estación meteorológica destinada a ofrecer datos sobre las condiciones climáticas de un punto clave como sería una cumbre montañosa, que un termómetro clásico por mucho que lo coloquemos en el mismo lugar.

Este ejemplo puede sonar a evidencia o incluso frivolidad, pero es clarificador en cuanto a medida que la tecnología ha avanzado, ésta se puede poner al servicio de cualquier fin, y ese fin debe ser en estos instantes el bien común, que pasa por mejorar las condiciones de nuestros ecosistemas.

Inteligencia artificial, gestión del big data, modelos predictivos…. Son metodologías clave para no solo conocer con precisión nuestra realidad, sino también a dónde nos lleva no cambiar nuestros hábitos, y gracias a esta información, difundir las consecuencias para crear conciencia.

Gracias a estas tecnologías no solo sabemos que X punto está a X grados, sino que ese mismo punto hace tan solo un par de años estaba a X grados menos en el mismo periodo de tiempo, y que de seguir tendencias actuales, podríamos encontrarnos que pasados 10 años, se marquen X grados más. Lo que es lo mismo: la tecnología nos ayuda a despejar esa X, convertir la incertidumbre en exactitud, la misma que nos indica que la temperatura media del planeta sube 0,14 °C por década.

Por otra parte no estamos hablando de una cuestión aislada, sino de un problema global, que por tanto se debe abordar de forma colaborativa: que la información que se maneja sobre X evento en X país, se comparta con científicos, biólogos, ingenieros, etc., que puedan trabajar con esos datos para sus mejoras. En definitiva, que la información sobre el cambio climático, sea universal y que las plataformas que las sustentan, se nutran del mayor número de fuentes posibles.

 

Tecnologías que ayudan a cumplir con el ODS 15

 

¿Y qué tecnologías podemos destacar a 2022 como producto de todo lo anterior: de disponer de información precisa, actualizada, contrastada, veraz y útil para mejorar los ecosistemas? Vemos un excelente ejemplo en cómo se trabaja para una agricultura cada vez más sostenible.

Somos un planeta que se encamina hacia los 8.000 millones de habitantes, con unas demandas nutricionales que requieren de cada vez mayores superficies para el cultivo. Este hecho tiene como consecuencia, por ejemplo, que en el caso del cultivo de soja, se haya pasado de una producción de entre 20 y 30 millones de toneladas de soja al año en todo el mundo según datos de la década de 1960, a los 350 millones de toneladas que se produjeron en 2021.

Para poder dar cabida a toda esta producción, el país que más cultivos de soja ofrece, Brasil, acude a la práctica de incendios controlados para despejar zonas boscosas y que se pueda cultivar en ella, aumentando esta práctica hasta un 84% en 2019.

¿Cómo puede actuar la comunidad científica en pro de reducir tal deforestación sin que la producción se vea afectada? Los avances en biotecnología de las últimas décadas permiten los “cultivos mejorados”: variedades de semillas que no solo sean tolerantes a las cada vez más frecuentes alternancias entre inundaciones y sequías, sino que también sean capaces de producir mayor cantidad, todo sin que las alteraciones supongan problemas sanitarios o empobrezcan la calidad del producto.

Este mismo conocimiento compartido sirve en el caso de las reducciones de CO2, el uso de energías limpias, el control de la emisión de gases de efecto invernadero… Conocimiento que desarrollado de forma individual, por un único equipo, requiere grandes cantidades económicas y tiempo de desarrollo que, sin embargo, mediante el compartido de información y la colaboración en línea, se reducen notablemente.

Con los medios pero, sobre todo, con la voluntad para ello, podemos poner el conocimiento global al servicio del bien común, es decir, los datos para mejorar el ecosistema terrestre.

Feliz Día Mundial de la Diversidad Biológica.