Cómo potenciar una cultura de datos

Para las empresas que luchan con las transformaciones de datos, no pensar en el cambio organizacional suele ser un problema mayor que los problemas tecnológicos.

Una empresa puede tener herramientas poderosas y datos significativos a su disposición, pero sin la educación y los procesos adecuados para poner esos datos en manos de las personas adecuadas y proporcionar un contexto comercial, la extracción de valor puede resultar difícil.

En 2016, Jonathan Tudor fundó un programa de datos de autoservicio en GE Aviation dirigido exactamente a este problema. Al reconocer que el éxito dependería de empoderar a los usuarios más allá de los equipos de análisis e ingeniería de datos, pudo fomentar la aceptación de toda la organización, aumentar el compromiso y crear asociaciones multifuncionales.

Ally MacDonald, editor senior de MIT Sloan Management Review, habló con Tudor sobre su trabajo con datos de autoservicio y transformación organizacional. Lo que sigue es una versión editada y condensada de su conversación.

Jonathan Tudor: La idea de los datos de autoservicio es, en lugar de contratar un sinfín de talentos de datos altamente competitivos, ¿por qué no tomar su capital intelectual existente y el capital de personas dentro de la empresa y capacitarlos para que hagan su propio trabajo de análisis de datos? En un sistema de autoservicio, los profesionales y analistas de la línea de negocio de la empresa pueden acceder y trabajar con datos y visualización de datos directamente, y cuentan con el apoyo, pero no dependen de, profesionales de TI y datos para llevar a cabo su trabajo.

Este tipo de programa permite a las empresas eliminar los límites técnicos y capacita a las personas para que utilicen su propia experiencia en la materia; después de todo, conocen los problemas que están abordando mejor y saben qué datos necesitan para generar conocimientos y ejecutar su trabajo.

“Cuando los datos son fundamentales para la forma en que dirige su organización, se necesitan análisis en todas las partes de la empresa muy rápidamente y son clave para los resultados comerciales.”

¿Cómo ha evolucionado este nuevo enfoque para desempeñar un papel en las organizaciones?

Tudor: es útil mirar hacia atrás en la historia. Cuando pensamos en inteligencia empresarial [BI] y almacenamiento de datos, esto a menudo se ha aislado dentro de las organizaciones. Los equipos de BI hacen todo el trabajo para recopilar los datos, estructurarlos (y esperar que estén estructurados correctamente) y luego entregar esos conocimientos al cliente. Ese proceso es similar a lo que vemos en un método en cascada en TI, que es muy secuencial y depende de las personas que realizan cada tarea.

Pero a medida que las empresas avanzan con más datos que nunca y utilizan elementos como lagos de datos, un enfoque en cascada se vuelve menos efectivo. Cuando los datos son fundamentales para la forma en que dirige su organización, se necesitan análisis en todas las partes de la empresa muy rápidamente y son clave para los resultados comerciales. La verdad de las demandas de muchas organizaciones es que nunca podrán contratar suficientes ingenieros de datos o científicos de datos para satisfacer estas crecientes necesidades comerciales por sí mismos.

Los datos de autoservicio permiten a las empresas satisfacer estas demandas centrándose menos en quién realiza el trabajo, en favor de los resultados comerciales.

¿Qué KPI son importantes a la hora de medir la eficacia de los datos de autoservicio?

Tudor: las empresas variarán en su enfoque y ciertas métricas serán más importantes dependiendo de la parte interesada. En GE Aviation, nos enfocamos en tres métricas de datos de autoservicio que arrojan luz sobre los beneficios financieros, cuánto valor obtienen los usuarios del programa y la viabilidad de la innovación para el negocio.

Primero, hay indicadores clave de rendimiento financieros. Podemos determinar dónde hay impactos en el estado de resultados del balance o cuántos ingresos podemos rastrear desde una perspectiva de rendimiento.

La segunda métrica importante es la utilización. Observamos la cantidad de usuarios únicos y rastreamos qué porcentaje de ellos se mantienen activos en un período determinado. Por ejemplo, podríamos encontrar que el programa de autoservicio ha logrado 2.000 usuarios únicos en todo el ecosistema en los últimos tres meses.

Una tercera área implica la creación de un canal de innovación a partir del seguimiento del compromiso y el uso. Por ejemplo, observamos cada artefacto de datos que tiene más de 50 usuarios únicos en un mes: cada informe de BI, cada analítica. Basándonos en eso, podemos informar a los líderes sobre lo que está resultando más importante para los usuarios y puede valer la pena una mayor inversión comercial. Esto nos ayuda a crear una tubería organizada que muestra la propuesta de valor de ideas nuevas e innovadoras dentro de la organización.

Con información de MIT Sloan. https://mitsloanreview.mx/