fernandosaenz.com

Pursuing the gold hidden behind raw data


Bienvenido/a,

No te voy a mentir, esto es un blog técnico, aunque no trata sobre tecnologías específicas. Expongo la motivación que hay detrás del diseño de cada sistema, y sus resultados. No voy a darte una explicación técnica de cada tecnología que diseño o utilizo. No vamos a "ver las tripas".

En estos últimos doce años, en los que he ejercido de gerente, he podido ver cómo la explotación inteligente de datos mejora de forma notable los resultados en diferentes ámbitos de la empresa. En este blog comparto esas experiencias, explicadas de forma resumida pero clara.

fernandosaenz.com
En la mayoría de posts verás que incluyo una ficha que encabeza la lectura, y que ofrece una visión instantánea de lo que encontrarás si decides continuar. La mayoría de artículos los podrás leer en 3-4 minutos de tu tiempo.

Busco ofrecer un formato de micro-posts que giren en torno a la búsqueda de valor añadido buceando en datos crudos. Y siempre orientados a la divulgación de las experiencias que he vivido en esta obsesión que tengo por aplicar tecnología, a veces sencilla pero suficiente, en cada ámbito de la empresa.

Espero que lo disfrutes tanto como yo.

- Fernando Sáenz -
julio 1, 2020

Error 2/5: Una mala estrategia de análisis de datos te puede impedir rentabilizar tu inversión (parte 3)

La semana pasada estuvimos analizando la relación que existe entre el Analista y el Experto del Dominio dentro de la serie de artículos «del 4.0 al 4.1» en la que estamos revisando los 5 errores más comunes que impiden a muchos proyectos rentabilizar la inversión en digitalización.

Vimos que existía un riesgo muy claro en este proceso. El Experto del Dominio puede percibir un proyecto de Transformación Digital como una amenaza hacia su trabajo, algo que hay que evitar de forma muy temprana creando relaciones de trabajo conjunto. El Experto debe participar activamente en el proyecto, impulsarlo, e incluso sentirse identificado con él. Esta semana vamos a pasar a un aspecto más práctico, diseñando las bases para crear un lenguaje común compartido por Analistas y Expertos.

¿Cómo logramos involucrar al Experto en los trabajos de análisis de datos?

Los humanos nos entendemos entre nosotros cuando hablamos el mismo idioma, y la comprensión mutua es el primer paso para lograr afinidad, empatía, y un buen trabajo en equipo. Remarco aquí la importancia de establecer un lenguaje común que integre en el análisis al Experto del Dominio.

Veamos pues cómo podemos sentar las bases para crear dicho lenguaje común.

Compartir una misma visión y objetivo

Lo ideal es definir objetivos que sean “SMART”; específicos (Specific), cuantificables (Mensurable), alcanzables (Archivable), relevantes (Relevant) y con un objetivo temporal (Timely). Ahora bien, la realidad es que en los proyectos de análisis de datos los objetivos específicos no siempre están totalmente claros, e incluso pueden variar en función de los resultados que se vayan obteniendo. Son proyectos con un cierto componente de riesgo, y es aconsejable abordarlos con flexibilidad. Pero todo el equipo debe conocerlo con precisión y trabajar hacia un mismo objetivo final. Además, es vital que dicho objetivo final esté relacionado con parámetros cuantitativos de negocio, recordemos nuestra premisa inicial “nuestro objetivo es impactar en el negocio”. Los objetivos intermedios tendrán que estar dirigidos a ello, pudiendo ser optimizaciones en el proceso productivo (en forma de reducción de tiempo de ciclo, reducción de defectivo, mejor aprovechamiento de materias primas, reducción en coste energético del proceso…) o en sostener la capacidad de producción en el tiempo (mantenimiento predictivo…), entre otras muchas posibles aproximaciones.

Comprender el marco de trabajo

El equipo de Analistas debe comprender ciertas nociones sobre el área específica de conocimiento que domina el Experto, lo que requerirá ciertas sesiones de trabajo conjuntas. Recordemos que el objetivo no es integrar por completo los conocimientos (resultaría inviable) o idioma del Experto, sino establecer un lenguaje común que el Experto pueda adoptar de forma natural.

Realizar un primer trabajo de análisis

Suele requerir varias iteraciones, habitualmente relacionadas con Data Wrangling y mejoras a adoptar para resolver problemas de calidad de los datos. Se trata de una fase que no suele ser muy agradecida, del tipo «travesía en el desierto», pero que es importante para poder generar una cohesión sólida en el equipo de trabajo.

Crear un entorno común de análisis

Hay que prestar atención a la representación amigable y comprensible de los datos, y especialmente a la usabilidad (UX). Su curva de aprendizaje debe lograr una adopción rápida por parte del equipo de Expertos. En nuestra experiencia, las herramientas que mejor adopción suelen tener son las relacionadas con Análisis por Dimensiones y Business Intelligence.

Impulsar el trabajo en colaboración

La consecución de los pasos anteriores establece un marco de trabajo conjunto orientado a lograr cohesión entre los Expertos y los Analistas, que permitirá lograr más rápidos y mejores resultados. En este estadio el Experto dispondrá de una herramienta muy avanzada para el análisis de datos (que ya han sido previamente transformados en información útil), podrá tomar decisiones de forma más ágil, podrá identificar rápidamente puntos de mejora, y contará con el apoyo de un equipo de Analistas con el que se entiende bien.


La semana que viene continuaremos revisando el resto de puntos importantes sobre la estrategia a seguir en los proyectos de análisis de datos, veremos cómo identificar las oportunidades y cómo desplegar las mejoras que finalmente puedan lograr un impacto significativo y cuantitativo en nuestro negocio.


Si quieres saber si tu estrategia no solo es «factible» sino también viable y rentable, te recomiendo que solicites nuestro cuestionario «del 4.0 al 4.1» de 20 preguntas que te servirá para obtener nuestro diagnóstico inicial sin coste, que estoy seguro te ayudará a determinar si estás tomando las decisiones adecuadas.

gestión # , , , , ,
Compartir: / / /