Aprenda cómo alinear las iniciativas de Big Data con la estrategia de su organización, y valide sus esfuerzos con Indicadores Clave de Rendimiento.

Temas principales del artículo:

• ¿Qué es Big Data?
• Desafíos del Big Data
• KPIs y Big Data
• Enfocar el Big Data
• Hacer medible el Big Data
• Automatización con BSC Designer

.

Inscríbase-con un plan gratuito para acceder a Big Data Scorecard, así como a otras 28 plantillas de cuadros de mando.
El final del año es un buen momento para hablar de las tendencias emergentes: los coches autoconducidos, la inteligencia artificial, la realidad virtual y el Internet de las cosas. ¿Qué efecto tendrán estas tendencias en su negocio? ¿Cómo puede tener en cuenta el posible impacto de estas ideas que cambian el juego? Todas las tendencias mencionadas merecen un análisis detallado, pero hay una que parece estar conectada con todas las demás. Me refiero al Big Data. La IA lo necesitará, los coches autodirigidos se basan en él y, por supuesto, ya lo utilizan muchas empresas.

En BSC Designer hemos hablado mucho de los KPI y la estrategia. En este artículo propongo hablar de cómo una estrategia bien descrita y unos KPIs a medida pueden ayudar a enfocar los esfuerzos de big data. Este es nuestro plan para este artículo:

• Big data. ¿Qué es? ¿Cuáles son los principales retos?
• KPIs para big data. 4 niveles de KPIs y la consecución de la alineación estratégica.
• Plan de acción. Implementación medible de big data.

¿Qué es Big Data?

Big data trata del análisis de grandes conjuntos de datos no estructurados.

Big data se puede caracterizar por 3 Vs:

• Volumen. Se supone que los conjuntos de datos son grandes. Hay algunas estimaciones de que deben ser al menos 10 GB o 1 TB, pero probablemente un mejor criterio sería decir que big data es algo que necesita ser distribuido (en términos de almacenamiento o cálculos). Si hay que pasar a Hadoop o a un marco similar, entonces se está haciendo grande.
• Variedad. Piensa en diferentes fuentes de datos estructurados y no estructurados. Pueden extraerse de texto, vídeo, datos de ventas, medios sociales, previsión meteorológica o lo que tenga sentido en su contexto.
• Velocidad. El alto volumen de los datos es el resultado de la rápida generación de datos. Piense en los miles de elementos de aviones que se monitorizan constantemente, o en el flujo constante de los comentarios en los medios sociales, o en los datos en tiempo real que proporcionan los dispositivos vestibles.

A menudo (tome IBM o EY como ejemplo), también hay una cuarta “V” que significa “Veracidad:”

• Veracidad. Cuando hablamos de datos, siempre nos enfrentamos a un cierto nivel de incertidumbre. ¿Cómo se han obtenido los datos? ¿Analizamos todos los factores? ¿Fueron manipulados? ¿Podemos confiar en esas cifras?

¿Cómo se utilizan los datos?

Los big data se utilizan para una amplia gama de análisis predictivos y de comportamiento. Las organizaciones aplican el big data para reducir costes, comprender mejor las necesidades de los clientes y mitigar los riesgos. Piense en una empresa que utiliza el big data para ofrecer una experiencia a medida a los clientes; piense en la comprobación de fraudes de un proveedor de comercio electrónico.

Al principio del artículo mencioné algunas tendencias emergentes: el big data está implicado en todas ellas. Para saber más sobre el uso práctico del big data, recomiendo continuar con “7 Amazing Companies That Really Get Big Data”, del experto internacionalmente reconocido Bernard Marr.

Principales retos del big data

La visión descrita del big data suena muy ambiciosa. Por qué entonces las empresas tardan en adoptar esta nueva tendencia? ¿Cuáles son los principales retos del big data?

La minería de datos ya no es un reto principal

A finales de octubre, estuve hablando en una conferencia organizada por SCIP (Strategic and Competitive Intelligence Professionals). Los miembros de esta organización se ocupan del big data en los dominios de la inteligencia de mercado. El tema principal de la conferencia no era sobre la extracción de algunos datos de IC/BI como se podría esperar, era sobre la alineación de los esfuerzos de inteligencia de negocios con la estrategia de una organización. En otras palabras, una vez que una empresa sabe las preguntas que quiere hacer, el resto es relativamente fácil (ver las encuestas a continuación para algunos datos).

Si la minería de datos ya no es un problema, ¿cuáles son los principales desafíos?

Desafío 1. Enfocar el big data

El principal reto es enfocar el big data en lo que importa, y luego entregarlo en las manos adecuadas. En otras palabras, debe haber alguien en la organización que empiece a hacer las preguntas correctas.

Para ilustrar esta idea, tomemos una historia de Target que fue noticia en 2012. Este minorista utilizó con éxito los datos de análisis de los compradores para predecir que algunas de sus clientas estaban embarazadas. Analicemos la historia (sin tener en cuenta la parte relacionada con la privacidad) y veamos lo que realmente ocurrió. Andrew Pole, un estadístico que trabajaba para Target, no se limitó a entregar todos los datos posibles, sino que sus colegas de marketing le encomendaron una tarea muy concreta: identificar a las compradoras embarazadas en su segundo trimestre.

Se trataba de un enfoque y, además, había un enorme valor comercial asociado a este enfoque, ya que los nuevos padres tienden a cambiar sus hábitos de compra y a adquirirlo todo en una tienda minorista. No se trataba sólo de jugar con los datos, sino de encontrar datos que ayudaran a responder a una pregunta muy concreta.

Desafío 2. Alineación con la estrategia de negocio

Los big data cambiarán el juego cuando proporcionen un valor de negocio tangible. En otras palabras, debe quedar claro cómo las iniciativas de big data están apoyando la estrategia de una empresa. NewVantage Partners, en su encuesta a ejecutivos de Big Data, preguntó a los encuestados sobre los impedimentos culturales para la adopción de Big Data por parte de las empresas. El 42,6% de los encuestados eligió la respuesta “Insuficiente alineación organizativa”. Otras opciones incluían la falta de adopción, la falta de una estrategia de datos coherente y la falta de una visión compartida.

Volviendo al caso de Target, tuvieron éxito al abordar dos componentes importantes:

1. Big data enfocado a una consulta específica: Se pidió a un científico de datos que identificara a las compradoras embarazadas en su segundo trimestre.
2. Alineación con una estrategia de negocio: Había un claro valor comercial para los datos: las familias en las que nació un niño se convierten en clientes de una tienda minorista durante mucho tiempo.

Desafío 3. Seguridad y privacidad de los datos

Este reto aún no es de uso corriente, pero creo que es obvio para cualquiera que la recopilación y el análisis de datos deben ser éticos y legales. El Reglamento General de Protección de Datos (GDPR) entró en vigor a partir del 25 de mayo de 2018 en Europa y hay regulaciones similares en otros países. Las empresas deben ser mucho más serias a la hora de seguir las políticas de datos cuando procesan datos personales.

Hablemos de los KPI en el contexto del big data.

KPIs y Big Data

¿El big data va a sustituir a los KPIs? No exactamente. El big data va a potenciar los KPIs con conocimientos más precisos y actualizados.

Tomemos como ejemplo el NPS (Net Promoter Score):

• NPS ahora. ¿Cómo se calcula el NPS (Net Promoter Score) en su organización hoy en día? Probablemente se hace algún tipo de encuesta a los clientes de forma trimestral. Por lo tanto, este indicador está retrasado en el tiempo. Si algo le ocurre a tu negocio, el NPS lo mostrará unos meses después.
• NPS powered by big data. Ahora, imagina que utilizas alguna herramienta de big data que analiza las emociones de los clientes en tiempo real (ver la referencia de Heedbook más abajo). En este caso su NPS se convertirá en un KPI en tiempo real. Básicamente, podrás ver la reacción de un cliente concreto a una oferta concreta y a un planteamiento de venta específico.

En algunos casos, te interesará profundizar en los datos y llegar a las situaciones concretas, y en otros necesitarás ver los datos agregados de la semana, el mes o el año.

KPIs para Big Data

En el caso de big data, estamos hablando de inversiones significativas en las nuevas herramientas y la arquitectura, por lo que tiene sentido supervisar esas iniciativas con algunos datos duros. Las iniciativas de big data también deben ser cuantificadas y medidas. Podemos hacerlo en varios niveles diferentes.

Nivel 1. Métricas 3-V

Las 3Vs (Volumen, Variedad, Velocidad) del big data pueden ser fácilmente cuantificadas:

• El volumen de datos es una medida por sí misma (GB, TB, etc.)
• La variedad puede cuantificarse como el número de tipos diferentes de fuentes de datos
• La velocidad se define por el volumen de datos generados/analizados por periodo de tiempo

La cuarta V – Veracidad puede ser más difícil de cuantificar. Tendrá que definir lo que su equipo califica como datos precisos y eso depende del contexto. Por ejemplo, para los coches con motor de combustión, la medición de la velocidad actual con un nivel de error de +-5 km/h podría considerarse un dato preciso, mientras que para los coches eléctricos, no es aceptable. Defina 1-2 métricas que den una idea de la precisión de los datos en su caso.

¿Son útiles las métricas 3-V? Depende de su contexto. Tomemos como ejemplo el coche de autoconducción de Google. El coche produce 1 GB de datos de los sensores por segundo. Esa cifra parece impresionante. Podemos estimar el tamaño de los big data, pero esos números no nos ayudarán con los 3 retos mencionados anteriormente.

Suscríbase a un plan gratuito para acceder al cuadro de mando de Big Data, así como a otras 28 plantillas de cuadros de mando.

Nivel 2. Métricas del proceso de big data

Pasemos al siguiente nivel de abstracción y echemos un vistazo al proceso de big data. El modelo simplificado es el siguiente:

• Consulta
• Recogida
• Análisis
• Información

Las métricas más útiles en este caso están relacionadas con el tiempo:

• Frecuencia de recogida de datos
• Tiempo necesario para que los datos estén disponibles para el análisis
• Tiempo necesario para que los datos se reporten en forma de KPI

Los puntos de referencia para el tiempo dependen de su contexto empresarial. Por ejemplo:

• El coche autoconducido necesita recoger y analizar los datos en tiempo real, y los milisegundos de diferencia importan, pero
• En el caso del NPS los gestores podrían estar interesados en revisar los datos semanales agregados

En cuanto a la eficiencia de los procesos, podemos hacer un seguimiento de la:

• Consulta para informar de la tasa de conversión, %. En este caso, debemos definir primero el concepto de consulta cualificada y, a continuación, realizar un seguimiento del porcentaje de consultas cualificadas que nuestros científicos de datos han podido responder
• Capacidad de captación de datos. El nivel de precisión de los datos que capturamos (las ideas discutidas anteriormente en Veracity). Para algunas empresas estas capacidades definen su ventaja competitiva sostenible.

Las métricas de este nivel nos dan una mejor idea sobre lo eficiente que es el big data, pero todavía no tenemos una pista sobre el impacto del big data en los objetivos reales del negocio.

Nivel 3. KPIs rezagados. KPIs para validar el éxito del big data.

Otra cuestión es cómo validar el éxito de las iniciativas de big data en la empresa. Por un lado, hay algunas inversiones significativas en infraestructura, y por otro lado, el big data debería estar dando sus frutos en forma de conocimientos empresariales. ¿Cómo podemos medir el valor en dólares de esos conocimientos?

En este caso, tenemos que hacer un seguimiento de las mejoras que pueden atribuirse al uso de big data:

• ¿Qué lecciones hemos aprendido de big data? ¿Qué ahorro de costes se logró tras la aplicación de esas ideas?
• ¿Cómo cambió la tasa de retención de clientes debido a la entrega de una experiencia a medida? ¿Cómo está cambiando el valor de vida del cliente?
• ¿Ayuda el big data a que el servicio de atención al cliente sea más eficaz? ¿Cómo ha cambiado la tasa de resolución de la primera llamada?
• ¿Cómo han cambiado los procesos de contratación después de empezar a utilizar big data? ¿Cómo ha cambiado la métrica del tiempo de rendimiento de RRHH?

Como puede ver en este nivel utilizamos los KPIs clásicos que estábamos utilizando antes. Lo que intentamos es acreditar ciertas mejoras a la implementación del big data.

Este enfoque puede ser sesgado:

• Tendemos a contar los cambios positivos como nuestros logros y
• Vemos los cambios negativos como fluctuaciones normales que siempre ocurren.

La solución es apuntar a objetivos más grandes y tangibles.

Muchas organizaciones obvian esta parte de la medición y simplemente compran “algo de big data”. Según el informe de Capgemini Consulting, el 67% de las empresas entrevistadas no tienen un criterio bien definido para medir el éxito de sus iniciativas de big data. Teniendo en cuenta el importe de la inversión, las empresas deberían ser más sistemáticas a la hora de definir los objetivos y los criterios de éxito de la implantación de big data.

Regístrese con un plan gratuito para acceder al cuadro de mando de big data así como a otras 28 plantillas de cuadros de mando.

Nivel 4. KPIs líderes. Asegurando el éxito del big data.

Ahora sabemos cómo medir la parte de los resultados de las iniciativas de big data, pero ¿qué pasa con la parte de liderazgo? Qué debemos hacer para asegurar el éxito de la implementación de big data?

La parte dura del big data es bastante tangible, podemos medirla mediante métricas genéricas como:

• Fondos invertidos en iniciativas de big data
• Tiempo invertido en iniciativas de big data

Objetivos de negocio enfocados al big data

Aquí tenemos un escenario real: una empresa invirtió millones de dólares en la infraestructura, las herramientas y la recopilación de big data con el clúster Hadoop, y no ocurrió nada medible. Eso es lo que hablábamos en el reto 1: el big data no es IA, no puede hablar, y su equipo tiene que aprender a hacer las preguntas. ¿Cómo podemos medir entonces el papel del equipo?

Aquí tienes algunas ideas para empezar:

• Eficacia de la formación en Big data. Asegúrese de que los miembros clave de su equipo han recibido alguna formación sobre big data. No es necesario que se conviertan en científicos de datos, pero deben saber qué preguntas pueden hacer y cómo formularlas. La métrica en este caso estará relacionada con la eficacia de la formación.
• % de objetivos estratégicos con iniciativas de big data. Podríamos hacer un seguimiento del número de consultas de big data formuladas por cada equipo, pero este enfoque sería muy formal y menos útil. Una mejor opción es hacer un seguimiento de la alineación entre los objetivos y las consultas de big data. Pida a su equipo que analice sus objetivos estratégicos y, a continuación, analice qué datos podrían necesitar para tomar mejores decisiones en el contexto de esos objetivos.

Los big data ayudan a formular nuevos objetivos empresariales

El proceso de adecuación entre el contexto empresarial y los big data es bidireccional. A veces tenemos un reto específico en mente y luego buscamos herramientas de big data específicas (como en el caso de Target), a veces encontramos una herramienta interesante y luego tratamos de hacerla coincidir con nuestros objetivos. He aquí algunos ejemplos:

• Alguien de su equipo encontró Heedbook, un servicio que analiza las emociones de los clientes en tiempo real. El servicio está construido sobre Azure de Microsoft y está disponible en la Nube. A su equipo de atención al cliente se le podría ocurrir utilizar este servicio para calcular mejor su NPS.
• Su personal de TI se enfrentó al reto de encontrar un software de DLP (prevención de pérdida de datos). Se encontraron con SearchInform que no sólo puede analizar las comunicaciones y los archivos transmitidos, sino que también puede aplicar políticas de seguridad específicas. La estrategia de TI de su organización puede actualizarse teniendo en cuenta las posibilidades de la herramienta DLP.

En cualquier caso, es una buena idea hacer coincidir los objetivos empresariales específicos con los requisitos del big data.

Plan de acción. Hacer que el Big Data sea medible.

Formulemos algunos puntos de partida de este artículo. Yo prefiero hacerlo en forma de plan de acción.

1. Revisar el big data. Cómo se recogen los datos ahora, qué capacidades de captura de datos tienes (utiliza las métricas del proceso de big data como marco).
2. Haz los deberes. Tenga su estrategia formulada en el mapa de estrategia, y en cascada a las unidades de negocio. Revise sus KPI actuales.
3. Mejore las capacidades. Planifique las iniciativas para abordar las capacidades del equipo en términos de big data. Los miembros clave deben entender qué preguntas pueden hacer y cómo formularlas.
4. Enfocar los esfuerzos de big data. Revise su mapa estratégico, detecte las oportunidades en las que el big data puede apoyar los objetivos empresariales. Formular consultas de big data.
5. Implementación. Analizar los conocimientos aportados por el big data, reflejarlos en forma de KPIs cuando sea necesario.

Guía breve para usuarios del software BSC Designer

Como usuario de BSC Designer dispone de un potente software que automatizará muchos de los aspectos de alineación de la estrategia y los KPIs tratados en este artículo:

• Alineación estratégica y enfoque del big data. Cree un mapa de estrategia para presentar sus objetivos de negocio; alinee los KPIs con los objetivos del mapa. Si aún no tiene un mapa estratégico, utilice un asistente de mapas estratégicos para empezar.

• Garantizar que un equipo tiene capacidades de big data. Utiliza un cuadro de mando de formación (puedes empezar con este ejemplo) para asegurarte de que tu equipo tiene las capacidades necesarias para trabajar con big data.
• Potenciar los KPIs con big data. Realice un seguimiento de las métricas de rendimiento de las iniciativas de big data; utilice la API RESTFul para introducir informes de big data en tiempo real en los indicadores.

Si aún no es usuario, puede empezar con un plan gratuito de BSC Designer, que está disponible en línea.

Más Ejemplos del Cuadro de Mando Integral