Cuando le pregunto a distintos ejecutivos qué es una organización basada en datos, el 99% me responde que es una organización que usa datos para tomar decisiones. Al decir esto suelen olvidar un detalle: Que una organización basada en datos toma todas sus decisiones usando datos.

Una organización basada en datos y modelos es una institución que cultiva constantemente una cultura de usar datos y machine-intelligence para tomar todas sus decisiones de negocio. “Basado en datos” refiere a apalancar todos los datos para uso de tu negocio. “Basado en modelos” es llevar esto aún más allá: Usar algoritmos de Machine-Intelligence para procesar tus datos y mejorar el proceso de toma de decisiones. Es crucial transformar tu organización en una institución basada en datos y modelos para rápidamente responder a las predicciones que surgen de estos modelos sofisticados.

Al trabajar con grandes empresas, he encontrado que muchos líderes de negocios conocen muy bien sus problemas y cuellos de botellas, pero no saben reconocer cómo usar los datos que poseen para resolverlos. Ellos llevan ventaja sobre la mayoría de los líderes y muchas organizaciones. Aun así, todavía les cuesta ver el poder de los datos.

En general, los ejecutivos suelen decirme: “Tengo cuatro problemas principales. Tres de estos se pueden resolver con datos. El cuarto NIR KALDERO EXECUTIVE GLOBAL HEAD OF DATA SCIENCE NEORIS NEORIS.COM 2 problema es diferente”. Luego, les muestro cómo ese cuarto problema también puede resolverse con sus datos, desarrollando un entendimiento sobre cómo traducir sus problemas de negocio en data apalancable y problemas modelables.

Hay una brecha de conocimiento aquí. Eventualmente, si podemos sortear esta brecha, los datos serán capaces de resolver el 100% de los problemas de negocio. El problema se reduce a una mejor educación de ejecutivos sobre cómo adoptar una mentalidad de machine-intelligence. Mientras más empujemos a las organizaciones hacia un modelo basado en data, mejor.

Transformar tu organización en una basada en datos es un cambio cultural

Cuando hablo con ejecutivos sobre cómo transformar su organización, muchos no se dan cuenta que no estamos simplemente hablando sobre un cambio en tecnología. Estamos hablando de un gran cambio cultural y de management.

Si usted apunta a transformar su cultura organizacional, debe comenzar por usted mismo. Cuando se enfrenta con decisiones de negocio difíciles por ejemplo, muchos ejecutivos intenta predecir el próximo paso. Suelen preguntarse “¿Qué creo que pasará en el futuro?”

Estos ejecutivos deben cambiar de ese pensamiento a uno que comience por “Esto es lo que se”. “Lo que se” significa pararse sobre los datos, sobre las tendencias, para vislumbrar el futuro. Deben determinar la tendencia actual y orientarse hacia el resultado que demuestran los datos. Solo entonces se pueden tomar decisiones efectivas impulsadas por predicciones certeras. Una vez que se instaura este cambio cultural dentro de uno mismo, el gerente puede esparcirlo a toda la organización.

Los ejecutivos no siempre entienden que la ciencia de datos y la Inteligencia Artificial son iniciativas que van de arriba hacia abajo. Si uno no entiende como traducir sus problemas de negocio en problemas de datos, su organización no podrá transformarse. Esto es un problema cultural, personal y de procesos y los líderes de industria deben tomar control de ellos. Por esta razón, la principal barrera para resolver estos impedimentos no es de carácter tecnológico sino de gestión.

Una empresa basada en datos y modelos puede responder rápidamente a todas las predicciones e información que la inteligencia artificial ofrezca. Si tu organización no es suficientemente ágil para responder a estas predicciones, no conseguirás aprovechar el valor agregado que representan.

¿Por qué es tan difícil transformar una organización?

Cuando armo talleres para ejecutivos, la mayoría de ellos me dicen que no pueden imaginarse su compañía volviéndose una basada en datos. ¿Por qué es esto?

La respuesta es nuevamente un tema de gestión. Todos somos ignorantes NEORIS.COM 3 Definen metas claras Definen cómo se ve su éxito Hacen las preguntas correctas antes de comenzar su iniciativa de Machine-Intelligence 01 02 03 en algunas áreas. Los ejecutivos no están acostumbrados a resolver problemas usando datos. Pueden estar acostumbrados a resolver sus problemas desde la experiencia, la intuición, la heurística, pero en general no dicen “Muéstrame los datos, las predicciones, la tendencia. Luego tomaré mi decisión”.

La necesidad de control es otra razón por la que muchas organizaciones luchan con esto. Muchos ejecutivos quieren tener el máximo control, especialmente cuando te trata de decisiones importantes. A veces los datos iluminan un camino nuevo, lo cual dificulta las cosas. Los ejecutivos pueden tener una actitud de hacer las cosas “a mi manera”, y cuando los datos conflictuan con esa modalidad, la falta de control puede preocuparlos.

Otro factor negativo es la impaciencia. Los ejecutivos suelen querer resultados inmediatos, pero así no es como el Machine Learning funciona. Estos programas intenta imitar nuestros cerebros y necesitan tiempo para producir las respuestas correctas, tras cometer errores y aprender.

Un factor más es el miedo. Al no tener un perfil técnico, muchos ejecutivos que no tienen estudios en ingeniería o analíticos pueden temerle a los datos. Es común que sufran sobrecarga de información, especialmente ejecutivos con perfiles en derecho o campos tradicionales que no se asocian con los números. Este es un punto importante. Estos ejecutivos deben superar su temor a los datos y desarrollar el hábito de tomar decisiones a partir de los números.

El problema final es la atención. La actual cantidad de datos genera un problema de atención porque nos confronta con infinitas opciones. Intentamos digerir el excedente de información pero es difícil orientarnos y entender lo que la data quiere decir.

Traduciendo problemas de negocio en problemas de datos

Sin duda estos cambios requieren un cambio de mentalidad y un compromiso para superar los desafíos de transformar una organización. Las siguientes con características comunes que puedo identificar en aquellos que logran estos cambios con éxito.

Estas aplican tanto a líderes técnicos como no-técnicos:

1. Definen metas claras
2. Definen cómo se ve su éxito
3. Hacen las preguntas correctas antes de comenzar su iniciativa de Machine-Intelligence

Esta dirección tan clara permite a los equipos técnicos entender y traducir sus objetivos de negocio y problemas en datos y modelos funcionales.

Siempre les digo a los líderes con los que trabajo que como científicos de datos, si mi superior me provee estas tres cosas, mi trabajo será mucho más fácil. De esta manera puedo fácilmente traducir mi problema de negocio en técnicas de modelaje y predicción y permitir que la matemática impacte en la organización. En otras palabras, puedo transformar el problema de negocio en un problema de datos y proveer la información necesaria para permitir que los ejecutivos tomen decisiones efectivas.

---

Sobre el autor:

Nir Kaldero es el autor del best-seller Data Science para ejecutivos, y el actual Líder de Data Science en NEORIS. Antes de unirse a NEORIS, Kaldero fue líder de Data Science & Engineering y Vice Presidente en Galvanize Inc.

Tanto en su tiempo en la fuerza de defensa Israeli como liderando la ciencia de datos en una renombrada institución educativa, el profundo entendimiento de datos de Nir lo ha vuelto uno de los expertos y capacitadores mejor preparados para transformar cualquier organización en una institución impulsada por modelos de datos.

Además de haber trabajado en algunas de las mayores corporaciones internacionales, Kaldero fue Mentor en Google y IBM Analytics Champion desde 2017, un honor dado a los líderes en el campo de las ciencias, tecnología, ingeniería y matemática. Miembro del Forbes Technology Council, Kaldero es frecuentemente invitado como orador a distintas conferencias de alto impacto en la industria de los datos y el mundo Tech.

Sigue a Nir en: https://www.linkedin.com/in/nirkaldero/