Mitos
de la innovación con Data Analytics
FORBES- 9 de diciembre
de 2017
Los mitos sobre
la innovación con Data Analytics son muchos y pueden confundir a las empresas a
la hora de generar valor.
En la última
década la conceptualización sobre la innovación dentro de las empresas ha
avanzado. Hoy los empresarios saben que, para crear valor a través de la
innovación, las empresas tienen que aprender a generar más y mejores ideas,
realizar un adecuado proceso de selección de dichas ideas para convertirlas en
proyectos y hacer que éstos se vuelvan realidad.
Este proceso de
innovación debe ser al mismo tiempo rápido, eficiente y asegurar su
replicabilidad y mejoramiento sistemático. Una estrategia de innovación
alineada con la estrategia de la empresa, una cultura que apoye a la
innovación, procesos habilitantes y herramientas que permitan detectar
oportunidades, son algunos de los elementos necesarios para la sistematización
de la innovación.
En los últimos
años, con el advenimiento del Data Analytics, el Big Data, el Internet de la
Cosas y todo lo relacionado a la cuarta revolución industrial, las empresas han
comenzado a incorporar el análisis de datos como algo determinante para su
competitividad. Personalmente comparto la criticidad de estos temas para
potenciar la competitividad estructural de las empresas, pero existen muchos
mitos (humo) detrás de todo esto. Acá van algunos.
Mito1:
#DataAnalytics es nuevo. No, existe desde el momento que se analizan datos para
tomar decisiones.
El proceso de
analizar datos para tomar decisiones informadas existe desde el comienzo de la
historia. Lo que ha cambiado, principalmente desde la segunda mitad del siglo
XX, es la reducción estrepitosa en los costos de transacción para acceder a
“buenos” datos.
Mito2:
#DataAnalytics es tecnología. No, es un proceso necesario para la toma de
decisiones.
Obviamente que
la tecnología está detrás de los procesos por los cuales las decisiones son
tomadas, y, de hecho, esta tecnología permite reducir los costos de transacción
(acceso, información, etc.), pero no es sólo tecnología, es lo que ella
facilita.
Mito3: #DataAnalytics es sólo
Machine Learning o Big Data. No, estas son algunas de las tecnologías
actuales.
De hecho, hay
veces que a modelos predictivos simples o clásicos se le denominan Machine
Learning, o a una cantidad importante de datos estructurados, con
actualizaciones periódicas, se le denomina Big Data, cuando la verdad que
ninguna de las dos definiciones es correcta.
Mito4:
#DataAnalytics que sirve es el predictive analytics. No, se puede generar mucho
valor con descriptive, diagnostic, o prescriptive analytics.
La verdad que,
desde el comienzo de los tiempos, el ser humano ha intentado poder predecir el
futuro. Al menos poder tener cierta aproximación a lo que pasará. Y está
correcto que así sea. Pero muchas veces, por el momento que se encuentra la
empresa, es mejor entender primero qué pasó, antes de entender qué pasará.
Mito5:
#DataAnalytics es el mismo para todas las empresas. No, cada empresa tiene un
estadio de ciclo de vida de toma de decisiones diferente.
Dime que tan
evolucionado está el proceso de toma de decisiones en base a datos, y te diré
que etapa del Data Analytics te conviene. Un emprendedor o una pyme en donde la
mayoría de decisiones se basan en la experiencia, olfato, percepción del líder,
no es lo mismo que una empresa que posee un equipo de análisis de datos.
Lo que no es
mito es que, a través de la combinación de Datos, modelos Analíticos y
preguntas innovadoras, se puede crear valor único al mercado, y con ese foco
deben trabajar los equipos analíticos en las empresas.
No hay comentarios:
Publicar un comentario