El Big Data en una organización: los retos de implementar una solución basada en ciencia de datos (II)

Equipo analizando datos de un informe.

Serie: 'A vueltas con la economía' (LX)

Todo empresario ha escuchado alguna vez oír hablar del Big Data. El sentir general es que una empresa puede tener dificultades para progresar si sus decisiones no están basadas en análisis de datos sofisticados. La perspectiva de implementar soluciones de datos puede sonar prometedora, pero la realidad es que hoy día únicamente el 13 % de las soluciones de análisis de datos llegan a ser explotadas por las empresas. Las principales causas no parecen ser de carácter técnico, sino más bien organizativo. Este es un problema conocido por las empresas, pero todavía no se ha conseguido establecer un método universal para abordarlo. En esta entrada se van a describir cuatro de las principales cuestiones organizativas que obstaculizan la implementación de soluciones de análisis de datos en el área de producción de una empresa.

En primer lugar, es frecuente que los datos se encuentren dispersos entre departamentos y que existan elementos en la propia organización que obstaculicen el acceso a estos. En este sentido, la falta de colaboración a la hora de compartir información entre departamentos puede llevar a que un proyecto de ciencia de datos se quede estancado tras meses de desarrollo. Por otro lado, si no se han establecido protocolos a la hora de recopilar o generar esos datos, es posible que se genere información desestructurada que ralentice el progreso de los analistas o directamente impida que estos desarrollen su trabajo.

En segundo lugar, es común que se señale la ausencia de un liderazgo adecuado para un equipo de ciencia de datos. Este líder, entre otras capacidades, debe ser capaz de potenciar la comunicación con otros departamentos y es imperativo que comprenda a nivel técnico el trabajo del equipo. Suplir esta necesidad no es fácil, puesto que es necesaria una amplia formación en la materia y en la mayoría de los casos los cuerpos directivos actuales de las empresas no están preparados para afrontar este reto.

En tercer lugar, es necesario tener en consideración la degradación de las soluciones de análisis de datos. La realidad en un entorno competitivo evoluciona rápidamente. Los datos de hace 4 años no son útiles para analizar cuestiones actuales. Si tiene lugar algún evento de gran calado, como una crisis sanitaria, ni siquiera nos servirían los datos que se han recogido un mes atrás. Esto genera la necesidad de desarrollar nuevos modelos de análisis con mayor celeridad y de monitorizar minuciosamente los modelos que se implementan para determinar el momento en el que dejan de ser válidos. A este respecto se han señalado dos problemas desde la industria. Por un lado, aún no existen convenciones sobre quién es responsable de qué en un departamento de ciencia de datos. Por ello, es necesario aplicar estrategias para asignar la monitorización de forma clara y que esta cuestión no caiga en el olvido. Por otro lado, no existe un consenso sobre cómo se deben monitorizar los modelos de análisis. Cada organización debe desarrollar protocolos que recojan las particularidades de la propia empresa, de su entorno y del mercado concreto en el que se inserta.

Por último, es posible que se produzca una cierta desconexión de los analistas con respecto a la realidad de la empresa. Al trabajar en un departamento claramente diferenciado, los científicos de datos no tienen un acceso directo a los problemas que se plantean y la única forma en la que pueden aproximarse a los problemas es mediante los datos que se les proporcionan. En esta situación es difícil analizar la problemática en su conjunto y, por ello, es fácil que existan diferencias entre las necesidades de la empresa y lo que desarrolla el equipo de análisis de datos: se tratan problemas equivocados, se desarrollan soluciones que no se pueden implementar de forma operativa, etc.

Una posible solución es no contar con un departamento independiente de ciencia de datos, sino integrar a estos profesionales directamente en los departamentos que necesitan esta clase de herramientas. Esto ayuda a cerrar la brecha entre el desarrollo de los modelos de análisis y el ámbito de la producción, lo cual acerca a los analistas a su objeto de estudio. Actualmente esta es una medida interesante, disruptiva y prometedora que se está probando en empresas como Best Buy Canada, por lo que habrá que estar avizor de cómo evoluciona la compañía.

Editor: Universidad Isabel I

Burgos, España

ISSN: 2659-3971