Cuando se habla de una empresa "data driven" o "dirigida por datos", convendría explicar antes en qué parte de la actividad empresarial queremos aplicar esta metodología. En ARANOVA vamos a aplicarlo aplicarlo de forma cultural y permitir el acceso a esos datos para diversos fines. Así es como lo hacen Google, Facebook, Twitter y en general todas las grandes compañías tecnológicas.
Antes de llegar a ser un empresa "data driven" podemos estar en alguno de los siguientes estadios:
- Data Resistant: Empresas reticentes al cambio que se cree que no es necesario cambiar porque las cosas ya van bien.
- Data Aware: Son empresas conscientes del valor de los datos, centradas en la recolección de los mismos pero sin capacidad de proceso para extraer su valor.
- Data Guided: estas compañias sí analizan los datos y extraen conclusiones como una metodología de mejora de sus procesos.
- Data Savvy: son empresas que prestan atención a los datos de forma estratégica, analizen el por qué de los datos y extraen insights o tendencias.
- Data Driven: son empresas que haciendo todo lo anterior, quieren seguir descubriendo qué más pueden aportar esos datos.
Las empresas pueden aplicar la metodología "data driven" junto con el "machine learning" en distintos ámbitos.
Toma de decisiones empresariales "data driven"
La teoría parece invencible. Se entrenan unos sistemas con datos y resultados "históricos"; se proporcionan datos en tiempo real y los sistemas serán capaces de tomar decisiones y predecir comportamientos. Aquí acaba el trabajo de un gerente (al menos dentro de 4 años como se puede leer aquí)
En la práctica es más complejo. Primero por los recursos humanos que son necesarios, que encajan bastante con las prediciones de empleos del futuro según LinkedIn (1. Especialista en inteligencia artificial; ...; 9. Científico de datos; 10. Desarrollador de Big Data; 11. Ingeniero de Datos) Segundo porque hay que recopilar y agrupar los datos necesarios para entrenar esa inteligencia artificial.
En una empresa moderna con actividad continua en internet y RRSS, clientes distribuidos en la geografía nacional, múltiples productos / servicios, diversas áreas de actividad y mercados... se complica el tema y no me atrevo a decir cuantas variables y de qué precisión serían necesarias, pero es nuestro caso y al final lo obtendré y publicaré las conclusiones.
Lo que necesitaremos son varios conjuntos de datos: factores externos, factores internos y factores invisibles. Estos últimos, sirven para explicar lo inexplicable, la pseudo-aleatoriedad y otros conceptos etéreos. Serán los más dificiles de predecir.
El objetivo final será la valoración de trabajos y preparación de presupuestos, la detección de insights y creación de nuevas líneas de trabajo, la predicción de las probabilidades de éxito en concursos y presupuestos en etapas muy tempranas, etc.
Predicir la producción basándose en datos
Este es el caso del panadero, de los que ya no quedan mas que en pequeños pueblos, que sabe cuantas barras tiene que hornear cada día. Entre semana, le compran el pan los habitantes del pueblo. Más los lunes, que los martes, él sabe por qué. Los fines de semana hay visitas, más pan. En verano, se reduce un 15% el consumo de barras grandes pero aumentan las pequeñas un 50%. Si llueve o hace mal tiempo, aumenta un 20%... El panadero aunque no analice los datos los suple con su experiencia y es capaz de predecir la producción de pan que necesitará.
En total, no creo que sean más de 20 valores diarios de 32 bits de precisión. Es decir, unos 30KB al año. En un disquete de 1.44MB puede guardar casi 50 años de predicciones.
Nuestra producción son servicios y aplicaciones informáticas. Siempre tenemos un abanico de soluciones o módulos pendientes de desarrollar. Estaría bien que pudieramos saber qué funcionalidades necesitaremos en algún servicio para implementarlas antes incluso de que el cliente nos diga que las necesita. En nuestro caso, necesitaremos recopilar información del mercado, detectar procesos críticos, escuchar a nuestros clientes y a su vez a sus clientes para encontrar esa información relevante que nos sirva.
Una vez entrenada la inteligencia artificial, se introducirán todos los proyectos y funcionalidades pendientes, y esperamos tener una lista priorizada de trabajos para programar su producción.
Personalización de servicios a clientes
Es una de las tendencias desde hace algún año y las grandes empresas lo usan habitualmente porque el éxito de un mensaje tiene que ver con el canal elegido, el momento más propicio, el propio contenido del mensaje y su formato.
En nuestro caso, conociendo al cliente y sus hábitos o usos de nuestros servicios, podemos optimizar la oferta, mejorar la información que le facilitamos por diversos canales, proporcionar servicios adicionales que le pueden resultar de utilidad o realizar ciertas recomendaciones. En realidad, esto ya lo hacemos, pero si entrenamos un sistema para automatizar esto y aprendemos los hábitos de nuestros clientes, podremos facilitarle esta información cuando más lo necesite.
Lo primero será programar un mail con un resumen "ejecutivo" de los servicios contratados para luego implementar un chatbot, que no es más que un sistema entrenado para responder cierto tipo de preguntas. En nuestro caso, inicialmente lo entrenaremos para facilitar al cliente las estadísticas e insights de su oferta de streaming y contenido bajo demanda. Muchas veces, un panel de control tipo analytics es complejo y aunque se faciliten unos dashboards que resuman la información, puede ser que no sea esa la información que busque el cliente, o que necesite de varios clicks para configurar las vistas que requiere. No sería más fácil preguntar: "¿Cuál es el podcast más descargado desde ivoox este mes?" o "Dame la lista de los programas más vistos en directo durante la semana"
Quiero aclarar que esto no es un artículo académico y son impresiones, ideas y opiniones que he tratado de conectar acerca de este tema.