Maximizar el retorno de inversión con la analítica de datos ¿Sabes cómo es esto medible?
Es usual, la verdad pasa con mas frecuencia de la que quisieramos. Hace algún tiempo, en una reunión con el Gerente General, el Vicepresidente de Transformación Digital solicita un científico de datos para la organización; a lo que el Gerente inclina la cabeza levemente hacia su derecha, frunce el ceño, y con voz pausada consulta, y para qué necesitamos un científico de datos? El Vicepresidente de Transformación Digital comenta que para realizar modelos de Machine Learning, aprendizaje supervisado y otros modelos analíticos, aunque en el momento no me pareció descabellado, si lo analizamos profundamente, desde la perspectiva de negocio es una respuesta completamente desefoncada al resultado de la organización.
Sí, es cierto, se repite a cada momento. Según publicaciones como la de Gartner, para el 2022 tan solo el 20% de los proyectos de análisis de datos, generará resultados para el negocio; y según la opinión de expertos como Tom Davenport, “el verdadero problema es que no se sabe que buscar en los datos”.
En el marco de proyectos vinculados a la Ciencia de Datos, los casos de uso son una descripción de las actividades necesarias, para generar conocimiento a través de la analítica. Debe ser lo suficientemente sencillo y explicativo, para que cualquier persona pueda comprender que se está tratando de lograr con el análisis de la información. Y definitivamente lo más importante, su aporte a los objetivos de la organización debe ser claramente explicado.
Dicho de otra forma, la función del analista de datos o el científico de datos, no es más que transformar información en conocimiento, con las herramientas que sean necesarias, algunos solo se acuerdan del machine learning; y para facilitar el enfoque, a conocimiento que sea útil para la organización, la herramienta de casos de uso, nos facilita esta conección.
Para la elaboración de los casos de uso, recomendamos lo siguiente:
Paso 0: Crea equipos. Siempre en análisis de datos, debemos pensar en Equipos, no súperheroes. Algunas organizaciones bucan analistas de datos o científicos de datos que sepan de programación, estadística, manipulación de base de datos, herramientas de medición del marketing, big data, comprensión del negocio y otras cosas más. Lo mejor es crear equipos internos que tengan algunas de las habilidades para proyectos específicos.
Paso 1: Entiende la estrategia organizacional. No se pueden tomar mejores decisiones con los datos, sino entendemos que decisión requiere tomar la organización. Por lo cual entender bien la estrategia y luego traducir como la data ayudará al cumplimiento de los objetivos cruciales para la organización, es precisamente la fase inicial del caso de uso.
Para este fin es necesario el uso de técnicas que permitan obtener información de la estrategia:
- Entrevista guiada.
- Observación.
- Revisión documental y fuentes de información.
- Mesas de Trabajo (Workshop)
- Tormenta de ideas.
Paso 2: Define qué personas tomarán decisiones con el resultado o entregable del caso de uso. Conocer de antemano los usuarios de la información, facilitará entender como debiera estar organizada la información o los periodos en la cual consultan esa información.
Paso 3: Establece el proceso para generar el conocimiento. Aunque puede haber elementos que inicialmente no estén del todo claros, listar los pasos, algoritmos o procesos para transformar los datos en conocimiento útil puede ayudar a establecer los requerimientos de data, herramientas, tecnología y conocimiento.
Paso 4: Define los requerimientos. Los requerimientos se centran principalmente en brechas de información (o requerimientos de más información), brechas tecnológicas o de herramientas para la ejecución del proceso de transformación en conocimiento y brechas de habilidades o conocimiento técnico. Para diferentes casos de uso, puede haber requerimientos similares, por ejemplo casos de uso de mejora en la retención de clientes, personalización de oferta y medir el valor del cliente en el tiempo (lifetime value), pueden requerir procesos de segmentación y clasificiación de la cartera de clientes. Con lo cual en vez de trabajar de forma separada los tres casos de uso, creamos una carga de trabajo de segmentación de cartera.
Una vez obtenida la información pertinente, los casos de uso pueden ser construidos, con base en el enfoque de cargas de trabajo estratégicas, es decir la suma de cargas de trabajo en función del proceso donde varias cargas de trabajo son comunes dado que comparten esfuerzos y experiencias.
Una vez definidos y documentados los casos de uso, deben ser priorizados para su ejecución y desarrollo.
Una opción es trabajar cada caso de uso cómo un proyecto; otra forma, es en función de las cargas de trabajo que tiene cada caso de uso.
La priorización de casos de uso puede involucrar varias iteraciones, hasta alcanzar una prioridad coherente, considerando además de la carga de trabajo técnico, otros criterios como:
- Contribución a la estrategia
- Dependencias entre casos de usos para su implementación.
- Riesgos asociados a la implementación del caso de uso.
Con las prioridades definidas, es tarea estructurar un roadmap para abordar el desarrollo del proyecto, es decir de los horizontes de desarrollo definidos previamente, en una línea de tiempo prevista.
Si quieres obtener mas información sobre el tema o deseas una asesoria personalizada, contáctanos.
Tenemos las herramientas y conocimientos necesarios para ayudarte a lograr tus objetivos.