Cómo gestionar bien un equipo de análisis de datos para tener éxito
Para las empresas es básico poder obtener todo lo que puedan de las analíticas, especialmente para aquellas que buscan monetizar sus datos, transformar su negocio en uno basado en datos y poner sus datos a trabajar. Sin embargo, la mayoría encuentra esto difícil. De hecho, la tasa de fallos de los proyectos analíticos sigue siendo angustiosamente alta.
.
Una razón clave de que esto suceda pasa porque los directivos no gestionan bien a sus equipos analistas de datos. Muchos no logran enfocar el programa de análisis de datos o colocan a los analistas en los espacios equivocados de la organización; otros ven el análisis de datos como una iniciativa técnica, no empresarial; y aún otros subestiman la resistencia de sus organizaciones para cambiar y no dotan a los profesionales de datos de las herramientas necesarias para cambiar los corazones y las mentes.
.
Estos pasos en falso disminuyen sus posibilidades de éxito y, en casos extremos, condenan el esfuerzo desde el principio. Sin embargo, al seguir la hoja de ruta que se plantea a continuación, puede asegurarse de que sus analistas de datos sean más productivos y aumentar tanto su probabilidad de éxito como las recompensas que cosecha.
.
Primero, reflexione sobre cómo desea que contribuyan los analistas de datos y colóquelos en lugares donde puedan hacerlo. El peor error que puede cometer una empresa es contratar un grupo de científicos inteligentes de datos, proporcionarle acceso a los datos y soltarlos, esperando que se les ocurra algo brillante. Al carecer de enfoque y apoyo, la mayoría falla. En su lugar, defina claramente las oportunidades que desea abordar utilizando la ciencia de datos, y coloque a sus científicos de datos en los lugares de la organización donde puedan aprovechar mejor esas oportunidades.
.
Considere mi experiencia cuando empecé a trabajar en Bell Labs tras aprobar mi doctorado. En ese momento, Bell Labs empleaba docenas de estadísticos de primera categoría, algunos en rendimiento de red (como yo), pero otros en investigación, garantía de calidad, y cosas por el estilo. Unos días después de mi llegada, fui a la oficina de mi director, Steve Katz, que estaba tres niveles por encima de mí en la organización. Katz me dio la bienvenida y luego me explicó exactamente qué intentaba lograr AT&T, dónde encajaba su laboratorio y por qué estaba agregando tanto talento estadístico. Dejó claro que el objetivo general era mejorar el sistema telefónico y que trabajaría en equipos llenos de personas con diversas habilidades para hacerlo.
.
Todos los altos directivos deberían seguir el ejemplo de Katz. Si desea mejorar la eficiencia del marketing, ponga a los analistas de datos en marketing; si su objetivo es perforar pozos de petróleo de manera más efectiva, ponga a los profesionales de datos cerca de la acción; si busca que cambien el juego y hagan nuevos descubrimientos, póngalos en un laboratorio. Incluso si está comenzando con sus esfuerzos de datos, elija un objetivo específico y ubique a sus analistas para que lo sigan.
.
En segundo lugar, sumerja a los profesionales de datos en su negocio. Según LinkedIn, las 10 habilidades principales para un científico de datos incluyen aprendizaje automático, R, Python, minería de datos, análisis de datos, ciencia de datos, SQL, MatLab, macrodatos y modelado estadístico. La atención se centra en las habilidades y muchos científicos de datos están perfectamente contentos de aplicar esas habilidades mientras están sentados en sus ordenadores y revisando cantidades cada vez mayores de datos con la esperanza de encontrar algo interesante. Sin embargo, no es suficiente poner profesionales de datos en los lugares correctos y dejarlos hacer. Debe instruirlos para que participen plenamente en su negocio, mostrarles cómo funcionan realmente las cosas y ayudarles a conectarse con otros en la organización.
.
En mi conversación inicial con Katz, me instó a desarrollar habilidades en mi oficio, pero también a aprender nuevas habilidades. Pensó que todos en su laboratorio deberían ser tanto especialistas como ingenieros de sistemas. También me aconsejó construir agresivamente mi red profesional.
No mencionó una sola habilidad en la que necesitaba centrarme. Sabía que una cosa era "encontrar algo interesante" y otra muy distinta ver que la idea llegara a buen término.
.
Dejó claro que mi trabajo era ayudar a mejorar la red telefónica y que para hacerlo necesitaba aprender más allá del dominio de mi campo y trabajar con otros. Pasé mucho más tiempo aprendiendo los detalles de la transmisión digital, cómo funcionaba la facturación y qué esperaban los clientes de voz y datos de AT&T que mirando los datos. Y llegué a confiar en la red profesional que Katz me instó a construir.
.
En tercer lugar, obsesiónese con la calidad, la profesionalidad y los resultados comerciales. La "calidad" no significa simplemente producir un trabajo sin errores. En cambio, los directivos deben asegurarse de que sus analistas de datos estén entregando resultados de forma que las contrapartes comerciales (por ejemplo, los clientes) puedan comprender, interpretar y utilizar para mejorar el desempeño comercial. Esto incluye todo, desde la definición del problema hasta los datos y el análisis, la presentación de los resultados y el seguimiento. Una obsesión por la calidad es doblemente importante porque muchos directivos son escépticos con respecto al análisis de datos. Y tienen razón, ya que los datos incorrectos, los análisis deficientes o un robot mal entrenado pueden causar un daño enorme.
.
Finalmente, aliente a los científicos de datos a "tirar de un hilo". Un hilo es algo fuera de lugar en los datos. Si bien la ciencia de los datos no es una expedición de pesca, los directivos deben alentar a los científicos de datos a detectar dichos hilos en el curso de su trabajo. La casualidad está en la raíz de muchos grandes descubrimientos (la penicilina y el ruido de fondo del Big Bang son ejemplos famosos), y los científicos de datos, dado que ven demasiados datos, están en una posición única para encontrar estos hilos. Pregúnteles a los científicos de datos qué más están aprendiendo, qué les sorprendió y qué cosas no se ven bien. La mayoría de los hilos no llevarán a ninguna parte, pero ayudan a los científicos de datos a desarrollar una destreza para identificar a los que tienen más potencial y el coraje para dar seguimiento.
.
Un hilo que saqué durante mi tiempo en Bell Labs surgió de mi preocupación porque el rendimiento parecía estar bien. La red funcionó bastante bien la mayor parte del tiempo, pero a veces las cosas parecían extrañas en formas que no podía explicar. Me preguntaba si el control estadístico, un concepto inventado por Walter Shewhart de Bell Labs, que había demostrado ser enormemente efectivo en la fabricación, podría ayudar. Mi jefe me animó a seguir.
.
Nunca probé el control estadístico sobre el funcionamiento de la red telefónica. En cambio, el hilo condujo a un enfoque diferente, la calidad de los datos utilizados para ejecutar esa red, realizar un seguimiento de las instalaciones, pagar facturas, y así sucesivamente. Encontramos el premio gordo buscando oportunidades que le ahorraron a AT&T cientos de millones de dólares.
.
Hay muy pocos buenos analistas de datos por ahí y tienen salarios altos. Es muy posible que sean la clave para generar operaciones más eficientes, nuevos conocimientos de los clientes y crecimiento de los ingresos. Invierta tiempo para ubicarlos en los lugares correctos y administrarlos adecuadamente.
.
.
Estos pasos en falso disminuyen sus posibilidades de éxito y, en casos extremos, condenan el esfuerzo desde el principio. Sin embargo, al seguir la hoja de ruta que se plantea a continuación, puede asegurarse de que sus analistas de datos sean más productivos y aumentar tanto su probabilidad de éxito como las recompensas que cosecha.
.
Primero, reflexione sobre cómo desea que contribuyan los analistas de datos y colóquelos en lugares donde puedan hacerlo. El peor error que puede cometer una empresa es contratar un grupo de científicos inteligentes de datos, proporcionarle acceso a los datos y soltarlos, esperando que se les ocurra algo brillante. Al carecer de enfoque y apoyo, la mayoría falla. En su lugar, defina claramente las oportunidades que desea abordar utilizando la ciencia de datos, y coloque a sus científicos de datos en los lugares de la organización donde puedan aprovechar mejor esas oportunidades.
.
Considere mi experiencia cuando empecé a trabajar en Bell Labs tras aprobar mi doctorado. En ese momento, Bell Labs empleaba docenas de estadísticos de primera categoría, algunos en rendimiento de red (como yo), pero otros en investigación, garantía de calidad, y cosas por el estilo. Unos días después de mi llegada, fui a la oficina de mi director, Steve Katz, que estaba tres niveles por encima de mí en la organización. Katz me dio la bienvenida y luego me explicó exactamente qué intentaba lograr AT&T, dónde encajaba su laboratorio y por qué estaba agregando tanto talento estadístico. Dejó claro que el objetivo general era mejorar el sistema telefónico y que trabajaría en equipos llenos de personas con diversas habilidades para hacerlo.
.
Todos los altos directivos deberían seguir el ejemplo de Katz. Si desea mejorar la eficiencia del marketing, ponga a los analistas de datos en marketing; si su objetivo es perforar pozos de petróleo de manera más efectiva, ponga a los profesionales de datos cerca de la acción; si busca que cambien el juego y hagan nuevos descubrimientos, póngalos en un laboratorio. Incluso si está comenzando con sus esfuerzos de datos, elija un objetivo específico y ubique a sus analistas para que lo sigan.
.
En segundo lugar, sumerja a los profesionales de datos en su negocio. Según LinkedIn, las 10 habilidades principales para un científico de datos incluyen aprendizaje automático, R, Python, minería de datos, análisis de datos, ciencia de datos, SQL, MatLab, macrodatos y modelado estadístico. La atención se centra en las habilidades y muchos científicos de datos están perfectamente contentos de aplicar esas habilidades mientras están sentados en sus ordenadores y revisando cantidades cada vez mayores de datos con la esperanza de encontrar algo interesante. Sin embargo, no es suficiente poner profesionales de datos en los lugares correctos y dejarlos hacer. Debe instruirlos para que participen plenamente en su negocio, mostrarles cómo funcionan realmente las cosas y ayudarles a conectarse con otros en la organización.
.
En mi conversación inicial con Katz, me instó a desarrollar habilidades en mi oficio, pero también a aprender nuevas habilidades. Pensó que todos en su laboratorio deberían ser tanto especialistas como ingenieros de sistemas. También me aconsejó construir agresivamente mi red profesional.
No mencionó una sola habilidad en la que necesitaba centrarme. Sabía que una cosa era "encontrar algo interesante" y otra muy distinta ver que la idea llegara a buen término.
.
Dejó claro que mi trabajo era ayudar a mejorar la red telefónica y que para hacerlo necesitaba aprender más allá del dominio de mi campo y trabajar con otros. Pasé mucho más tiempo aprendiendo los detalles de la transmisión digital, cómo funcionaba la facturación y qué esperaban los clientes de voz y datos de AT&T que mirando los datos. Y llegué a confiar en la red profesional que Katz me instó a construir.
.
En tercer lugar, obsesiónese con la calidad, la profesionalidad y los resultados comerciales. La "calidad" no significa simplemente producir un trabajo sin errores. En cambio, los directivos deben asegurarse de que sus analistas de datos estén entregando resultados de forma que las contrapartes comerciales (por ejemplo, los clientes) puedan comprender, interpretar y utilizar para mejorar el desempeño comercial. Esto incluye todo, desde la definición del problema hasta los datos y el análisis, la presentación de los resultados y el seguimiento. Una obsesión por la calidad es doblemente importante porque muchos directivos son escépticos con respecto al análisis de datos. Y tienen razón, ya que los datos incorrectos, los análisis deficientes o un robot mal entrenado pueden causar un daño enorme.
.
Finalmente, aliente a los científicos de datos a "tirar de un hilo". Un hilo es algo fuera de lugar en los datos. Si bien la ciencia de los datos no es una expedición de pesca, los directivos deben alentar a los científicos de datos a detectar dichos hilos en el curso de su trabajo. La casualidad está en la raíz de muchos grandes descubrimientos (la penicilina y el ruido de fondo del Big Bang son ejemplos famosos), y los científicos de datos, dado que ven demasiados datos, están en una posición única para encontrar estos hilos. Pregúnteles a los científicos de datos qué más están aprendiendo, qué les sorprendió y qué cosas no se ven bien. La mayoría de los hilos no llevarán a ninguna parte, pero ayudan a los científicos de datos a desarrollar una destreza para identificar a los que tienen más potencial y el coraje para dar seguimiento.
.
Un hilo que saqué durante mi tiempo en Bell Labs surgió de mi preocupación porque el rendimiento parecía estar bien. La red funcionó bastante bien la mayor parte del tiempo, pero a veces las cosas parecían extrañas en formas que no podía explicar. Me preguntaba si el control estadístico, un concepto inventado por Walter Shewhart de Bell Labs, que había demostrado ser enormemente efectivo en la fabricación, podría ayudar. Mi jefe me animó a seguir.
.
Nunca probé el control estadístico sobre el funcionamiento de la red telefónica. En cambio, el hilo condujo a un enfoque diferente, la calidad de los datos utilizados para ejecutar esa red, realizar un seguimiento de las instalaciones, pagar facturas, y así sucesivamente. Encontramos el premio gordo buscando oportunidades que le ahorraron a AT&T cientos de millones de dólares.
.
Hay muy pocos buenos analistas de datos por ahí y tienen salarios altos. Es muy posible que sean la clave para generar operaciones más eficientes, nuevos conocimientos de los clientes y crecimiento de los ingresos. Invierta tiempo para ubicarlos en los lugares correctos y administrarlos adecuadamente.
.
Thomas C. Redman
"El doctor de los datos", es presidente de Data Quality Solutions. Ayuda a las empresas y a las personas, incluidas las start-ups, las multinacionales, los ejecutivos y los líderes de todos los niveles, a trazar sus cursos en futuros basados en datos. Pone especial énfasis en la calidad, el análisis y las capacidades organizativas.
Fuente: hbr.org
No hay comentarios.:
Publicar un comentario