9-118-016

REV: 31 DE JULIO 1, 2 0 1 8

SR I KANT M. DATAR CAI TL IN N.

JUGADOR DE BOLOS

Ciencia de datos en Target

En mayo de 2017, Paritosh Desai se convirtió en director de datos y análisis (CDO) de Target, asumiendo así la responsabilidad total del
desarrollo continuo de sus capacidades de análisis y ciencia de datos en las que la empresa apostaba por su transformación minorista. Desai se
unió a Target.com en agosto de 2013 como vicepresidente de inteligencia empresarial, análisis y pruebas (con la intención de formar un equipo de
científicos e ingenieros de datos) para explorar cómo el minorista podría utilizar su rama de comercio electrónico relativamente pequeña pero
próspera para impulsar ventas y ganar clientes. En ese momento, Target no tenía una operación de ciencia de datos centralizada. La compañía
estaba inundada de datos ricos y detallados que podrían proporcionar una serie de beneficios si se analizaran o aprovecharan al servicio de sus
clientes y unidades comerciales.

Partiendo de una cafetería en Silicon Valley, el primer paso de Desai fue contratar a dos ingenieros de confianza para ayudar a
inventariar todo lo que Target tenía. Durante los siguientes cuatro años, Desai desarrolló el grupo de análisis existente de Target (varios
cientos para comenzar) mediante la integración de científicos de datos en la organización. Para 2017, el grupo había crecido a una fuerza de
900 personas, incluidos 150 científicos de datos, casi 50 doctores e individuos capacitados en ciencias de la computación, investigación de
operaciones, matemáticas, estadística, física y otras disciplinas cuantitativas. El grupo operaba desde la sede corporativa en Minneapolis,
Minnesota, así como desde oficinas en Sunnyvale, California, Pittsburgh, Pensilvania y Bangalore, India. 1 Para una empresa con 1.800
tiendas y más de 300.000 empleados, este fue el comienzo de un largo viaje, que se construiría a lo largo de los cuatro años de intenso
aprendizaje de Desai.

Corporación objetivo

Target era un minorista de mercancías generales de marca nacional que vendía productos a través de más de
1.800 tiendas físicas en los Estados Unidos y, desde 1999, a través de canales digitales. A mediados de la década de 1990, el minorista se
diferenciaba de Wal-Mart, su principal competidor, un mediante el desarrollo de una imagen "exclusiva" a través del enfoque en la moda y la
belleza, el estilo de vida y el entretenimiento. Colaboró con diseñadores de renombre, como Michael Graves, para crear líneas pequeñas
pero de alto perfil y asequibles. 2 que estableció al minorista como poseedor de una inteligente sensibilidad estética. 3 El enfoque en el diseño
ayudó a impulsar ventas y crecimiento consistentes; entre 1996 y 2008; “Los ingresos de Target aumentaron a una tasa anual promedio del
12%, los márgenes operativos mejoraron de 5.4% a 8.6% y las acciones regresaron

a Wal-Mart siguió una estrategia de precios bajos.

El profesor Srikant M. Datar y la investigadora asociada Caitlin N. Bowler prepararon este caso. Fue revisado y aprobado antes de su publicación por una empresa designada. La financiación para el desarrollo de
este caso fue proporcionada por Harvard Business School y no por la empresa. La revisión de citas para este caso aún no se ha completado. Los casos de HBS se desarrollan únicamente como base para la
discusión en clase. Los casos no están destinados a servir como respaldo, fuentes de datos primarios o ilustraciones de una gestión eficaz o ineficaz.

Copyright © 2017, 2018 Presidente y becarios de Harvard College. Para solicitar copias o solicitar permiso para reproducir materiales, llame al 1-800-545-
7685, escriba a Harvard Business School Publishing, Boston, MA 02163, o visite www.hbsp.harvard.edu. Esta publicación no se puede digitalizar, fotocopiar, reproducir, publicar o transmitir de otro modo sin el
permiso de Harvard Business School.
118-016 Ciencia de datos en Target

795% ”. 4 En 2008, Target era una de las empresas más admiradas del mundo en la categoría minorista de mercancías en general.

Como muchas empresas, Target tuvo problemas en el período de 2008 a 2013 luego de la crisis financiera en el otoño de 2008. Sin tiendas fuera
de los EE. UU., Su desempeño estuvo estrechamente relacionado con la economía de EE. UU. Y su posicionamiento como un minorista único y
medio-alto dejó es particularmente vulnerable a la moderada demanda de los consumidores. Aunque Wal-Mart sufrió, Target sufrió más. Entre mayo de
2008 y marzo de 2009, el precio de las acciones de Wal-Mart cayó un 16%, mientras que el de Target se redujo a la mitad, lo que refleja los desafíos y
obstáculos que estos minoristas enfrentarán en los próximos años. 5 Target tuvo que encontrar nuevas formas de tener éxito.

¿Por qué Data Now?

Durante sus 90 años de historia, Target se había convertido en un comerciante especialmente capacitado. Utilizó varios formatos de
tienda para cumplir con diferentes objetivos estratégicos de captación de clientes. También se anunciaba a los clientes a través de una
variedad de canales, desde anuncios impresos tradicionales, correos directos y circulares, hasta formatos digitales. Aunque las ventas
generales habían disminuido en 2013, las ventas en línea fueron un punto brillante para la empresa; de 2012 a 2013 estos habían crecido
casi un 30%. A medida que Target.com, su rama de comercio electrónico, continuó haciendo crecer su negocio en línea, también aumentó
una enorme base de datos sobre clientes y su historial de compras. Para los clientes con cuentas de Target.com, tenía datos sobre el
historial de navegación en el sitio, las devoluciones y el comportamiento de no compra, como compras abandonadas en medio del pago,

Desai se unió a Target.com en agosto de 2013 como vicepresidente de inteligencia empresarial, análisis y pruebas para transformar el
papel que los análisis generados a través de Target.com podrían desempeñar para la empresa Target más grande. Este fue un proyecto
complicado que podría tener profundas implicaciones para las operaciones y las relaciones entre y dentro de las diferentes unidades de
negocio y áreas funcionales de la empresa, especialmente aquellas entre Target.com y sus tiendas físicas. Desai planeó enfocarse en cuatro
áreas:

1. Aplicaciones de ciencia de datos. ¿Dónde estaban las oportunidades para implementar la ciencia de datos para los más grandes?

¿impacto? No hubo escasez de áreas a considerar. En el lado de las ventas y el comercio minorista, se encontraban el comercio electrónico,
el marketing y el surtido, y los precios y las promociones. En el lado de las operaciones, estaba la gestión de la cadena de suministro, las
operaciones de campo (planificación y programación), Internet de las cosas y seguridad de la información. Necesitaba saber qué preguntas
tenían las unidades de negocio. ¿Se podrían responder estas preguntas con datos? ¿Si es así, cómo?

2. Business Insights (BI) e informes. La visión de los analistas de conocimientos empresariales era combinar el arte de la venta minorista con
herramientas de datos mejoradas mediante el acceso a la amplitud completa de los datos de Target a diario. segundo Las herramientas mejoradas
podrían informar qué estrategias seguir y descubrir los cuellos de botella operativos en la organización compleja.

¿Cómo se recopilarían, procesarían, analizarían y reportarían los datos de una manera que apoyara la toma de decisiones de los gerentes?
Esto incluyó la visualización de datos y el diseño de informes para que los utilicen los analistas de BI y los gerentes de unidades de negocios, la
construcción de la infraestructura para entregarlos y el diseño de la organización para producir y usar el sistema de manera efectiva.

b Los datos de Target cumplieron los criterios de las "cuatro V" que diferenciaban los "grandes datos" de los datos regulares: volumen, variedad, velocidad, veracidad. Fuente:

IBM Grande Datos Y Analítica Cubo, "Los Cuatro V's de Grande Datos," IBM Sitio web,
http://www.ibmbigdatahub.com/infographic/four-vs-big-data , consultado en octubre de 2017.

2
Ciencia de datos en Target 118-016

3. Arquitectura, gestión y gobernanza de datos. Hacer análisis con el volumen de datos que tenía Target requeriría un gran esfuerzo
de ingeniería multifacético. Este sería el bloque de construcción fundamental para realizar cualquier tipo de trabajo avanzado
relacionado con datos. Esto incluiría:

a. Un período de exploración básica para comprender los datos de Target.

segundo. "Grande- Datos " Ingenieria. Esto incluiría la ingeniería de escala en términos de hardware y
software y requieren la adquisición de talento.

C. Datos gestión y gobernanza. Esto incluiría el desarrollo de estándares y políticas sobre cómo los datos estarían disponibles de
manera confiable, como una empresa de servicios públicos, con estándares apropiados de calidad, frescura y oportunidad.

4. Diseño y prueba de experimentos. Un propósito principal de desarrollar la capacidad de la ciencia de datos fue cultivar una comprensión más
detallada del comportamiento y las preferencias del cliente. Con los datos, los gerentes de Target podrían diseñar ofertas que coincidan con
esas preferencias e, idealmente, impulsar un aumento en las ventas y la repetición de negocios. En la práctica, esto requeriría un enfoque de
aprendizaje en diferentes partes de la organización. El diseño y las pruebas de experimentación serían una herramienta clave para facilitar el
aprendizaje eficaz a partir de la información obtenida.

El grupo de datos empresariales, análisis e inteligencia empresarial

Desai estableció el grupo de datos empresariales, análisis e inteligencia empresarial (EDABI) al principio de su mandato. Este grupo tenía la
tarea de desarrollar los sistemas de hardware y el software para llevar el aprendizaje automático y el análisis sofisticado a los proyectos de
ciencia de datos en Target. Estos sistemas respaldarían el trabajo de los analistas de BI que estaban en primera línea interactuando con los
datos a medida que ingresaban, interpretándolos y trabajando con los gerentes para desarrollar formas novedosas de usar los datos.

Estructuró el grupo de Ingeniería y Ciencia de Datos dentro de EDABI como una asociación equitativa entre ingenieros enfocados en
construir y mantener los sistemas de hardware necesarios para almacenar y servir petabytes de datos y los científicos de datos que
desarrollaron modelos y algoritmos para identificar patrones en los datos y construir modelos predictivos. 6 Uno de los ingenieros de EDABI
describió la configuración única de esta manera: “Paritosh tenía la visión de que la ciencia de datos y la ingeniería estuvieran al mismo nivel.
Creía que esto solo funcionaría si las personas trabajaran juntas ".

El equipo se basó en personas con diferentes áreas de especialización y con una variedad de experiencias profesionales. Los miembros del equipo y
sus títulos dentro de una de las cinco áreas funcionales se enumeran a continuación.

o Inteligencia empresarial y análisis: Mark von Oven, vicepresidente; Andy Miner, director senior; y Ben Schein Business, director
senior;

o Prueba y medición: Meghna Sinha, directora senior;

o Ciencia de los datos: Shalin Shah, científico principal de datos; Ramasubbu Venkatesh "Venky", director sénior, Sayon Majumdar,
director de ciencia de datos

o Ingeniería de datos: Samir Shah, director senior

o Experiencia digital y gestión de productos: Andy Feierfeil, director senior

EDABI solo podría tener éxito a través de la cooperación, la comunicación y una estrecha coordinación entre estas distintas disciplinas.

3
118-016 Ciencia de datos en Target

Desai fomentó una cultura empresarial dentro de EDABI. La ciencia de datos en la escala que él imaginó era nueva para Target, por lo
que la experimentación sería fundamental para descubrir dónde encajaría y cómo podría integrarse en las prácticas comerciales. Inició la
adopción del modelo de "desarrollo ágil" cuando se unió en agosto de 2013 y guió el enfoque en toda la organización EDABI a principios de
2015. Los miembros del equipo vivieron según el mantra desarrollar-probar-medir y trajo ese enfoque iterativo a la experimentación a todos
sus compromisos. Esto incluyó un enfoque riguroso en la elaboración de métricas comprobables y medibles y un proceso de pensamiento
claro sobre cómo una métrica facilitaría la acción. Comunicar este enfoque a los socios dentro de la empresa era una actividad continua.

Los científicos de datos del equipo de EDABI primero pusieron su mirada en Target.com y desarrollaron experiencias de clientes móviles y
basadas en la web que alimentaron y utilizaron los motores de recomendación personalizados que estaban construyendo.

Personalización digital online

“Los días de medir las ventas en unidades han terminado. Necesitamos aplicar la ciencia de datos para llegar a lo que hay
debajo de la superficie. Este es un problema de atribución ". (Meghna Sinha, directora sénior de pruebas y medición)

Usar los datos en línea de Target para resolver la pregunta de atribución para sus clientes en línea era una prioridad para Desai. Al
comprender el comportamiento de los clientes en Target.com, el equipo de EDABI buscó maximizar los puntos de contacto en el sitio e,
idealmente, diseñar formas de servir mejor a los clientes en esos momentos y así facilitar más compras y aumentar las ventas.

Construyendo una experiencia móvil.

La promesa de los datos generados en plataformas web y móviles suponía que los clientes podían acceder a ellos y utilizarlos con tanta
facilidad que regresarían una y otra vez. Solo mediante el uso repetido por parte de los usuarios individuales podrían recopilar los datos
longitudinales que permitieron una predicción y recomendaciones precisas.

Por su experiencia como líder en ciencia de datos en Gap, Inc. Direct, Desai sabía que los usuarios de aplicaciones móviles experimentaban
frustración en lapsos de milisegundos. Por lo tanto, el requisito de ingeniería más importante era que los usuarios obtuvieran una respuesta de la página o
aplicación en milisegundos, de manera consistente; tuvieron que cargar
con rapidez y sin problemas. Desde la perspectiva de la experiencia del usuario (impulsada por algoritmos desarrollados por científicos de
datos), el requisito más importante era que el sitio ayudara a los visitantes a encontrar lo que buscaban; la experiencia tuvo que ser pertinente y curado.
Por ejemplo, si un cliente buscaba "zapatillas", el sitio necesitaba devolver una lista de zapatillas tipo zapatillas para que fuera relevante. Si el
cliente había comprado una determinada marca de zapatillas en el pasado, el sitio podría liderar esta nueva lista con una zapatilla de esa marca
para cumplir con el estándar de curado.

Medición y ensayo.

Para aprender realmente de los datos, EDABI tuvo que instituir estándares en torno a las prácticas de medición que, eventualmente,
adoptarían los profesionales de la ciencia de datos de la empresa. Definir qué constituía exactamente el éxito fue una decisión importante.
Por ejemplo, solo si un cliente busca un producto y compra ese producto en la misma sesión, lo consideraría una compra estadísticamente
significativa; esto se llamó una "conversión específica". El objetivo era medir cuidadosamente la atribución de la característica (el artículo
comprado), lo que requería que solo contaran aquellas compras que estaban expuestas a recomendaciones. y la compra fue uno de los
productos recomendados. Si no tuvieran cuidado, no podrían cuantificar el impacto incremental de la función.

4
Ciencia de datos en Target 118-016

Con métricas claramente definidas, el equipo podría participar en extensas pruebas A / B para determinar si las intervenciones en el sitio
realmente funcionaron. Experimentaron con la forma en que aparecieron estas recomendaciones (por ejemplo, en varias partes de la página
o en diferentes lugares del sitio web). y también tenía docenas de algoritmos de personalización para implementar para diferentes clientes.
Por ejemplo, un gerente de producto podría probar un diseño de banner diferente, enviar ese banner a dos grupos diferentes de clientes y
rastrear qué banner se asoció con tasas de conversión más altas y luego adoptar ese diseño. Las pruebas A / B les permitieron saber qué
era lo óptimo tanto para los huéspedes como para Target.

También era importante comprender el contexto en el que los clientes navegaban por el sitio o cómo llegaban al sitio, especialmente si
realizaban una conversión. ¿Había llegado un cliente por correo electrónico, búsqueda de Google o un anuncio de televisión? ¿El cliente estaba
navegando por teléfono o computadora portátil? Este conocimiento del contexto agregó capas adicionales a través de las cuales evaluar su
comportamiento de compra (o no compra) y, potencialmente, podría informar qué recomendaciones hacer. Como dijo Andy Miner, director sénior de
inteligencia empresarial y análisis, "si no confías en el contexto, la capacidad de predicción se parece más al ejemplo doméstico de Netflix".

La realidad fue que las preferencias de los clientes cambiaron. La descripción de Miner de que "la semana pasada no siempre informó esta
semana", fue una realidad aleccionadora. Además, los individuos no siempre compraban por sí mismos y, por lo tanto, podrían mostrar un
comportamiento de compra dramáticamente diferente durante semanas o meses. Estos eran desafíos que el equipo estaba abordando en su Viaje
2.0 iniciativa. La visión era que los clics tendrían un impacto muy específico en el modelo predictivo en tiempo real, de modo que las
recomendaciones se desarrollaran en la vida real. (Esto se basó en una sofisticada tecnología de almacenamiento en caché). Desde una
perspectiva de ingeniería, fue un proyecto desafiante, pero Desai creía que valía la pena la inversión para construir plataformas web y móviles
que proporcionaran un nivel de pertinente recomendaciones que harían que los clientes regresaran una y otra vez.

Siempre existía el riesgo de que las recomendaciones salieran mal. ¿Cuántas veces volvería un cliente a una aplicación que le
recomendó algo irrelevante? Andy argumentó: "La experimentación es el costo del éxito".

Otras oportunidades

La personalización era solo el primer paso necesario que podría permitir una gama de otras posibilidades en el futuro. Con datos
detallados de los clientes, Target podría mostrarles a los fabricantes qué funcionaba y qué no funcionaba con los productos que vendían.
¿Podría Target convencerlos de que trabajen juntos en el rediseño de productos basados en datos? ¿Hubo formas de moldear la relación
entre las tiendas físicas de Target y su plataforma digital para cambiar la forma en que usaba el espacio? Todas estas eran preguntas a
considerar en los años venideros.

Llevando la ciencia de datos a las unidades de negocio

Target era una gran corporación organizada en torno a unidades de negocio y capacidades funcionales, como marketing, finanzas y
digital. Sus negocios de comercialización cubrían categorías amplias: estilo con ropa y accesorios, belleza y muebles para el hogar, las
llamadas "líneas duras" como electrónica y entretenimiento, y comestibles y artículos para el hogar. Cada unidad contó con el apoyo de
expertos de los diferentes grupos de capacidades. Estos expertos se sentaron con las unidades de negocios y contribuyeron a las
discusiones de toma de decisiones de los gerentes; sin embargo, informaron a los gerentes dentro de sus propias áreas de capacidad.
Target.com era otro brazo operado por Target. No hubo escasez de proyectos para emprender.

5
118-016 Ciencia de datos en Target

La comercialización era la capacidad principal de Target y Desai imaginó que los datos se utilizarían para respaldar la toma de decisiones en
torno a esta actividad clave. Con acceso a petabytes de datos, Desai dirigió a su equipo a encontrar analistas y gerentes de BI que hicieran preguntas
con el potencial de generar valor si se respondían con mayor precisión. Al principio, no era necesario utilizar "big data". Esto fue un poco sorprendente
para algunos miembros del equipo.

El equipo de Desai se acercó a las unidades de negocio, cada una con su propio equipo de análisis de BI, en busca de preguntas.
Habiendo trabajado en una unidad en particular durante un tiempo, junto con los gerentes comerciales, estos analistas conocían bien los
matices de la unidad comercial. Habían trabajado en las cuestiones clave de qué productos promover y cómo promoverlos durante varios ciclos
anuales. Durante un período de seis meses, el equipo encontró analistas y gerentes con preguntas y trabajó en estrecha colaboración con ellos
para comprenderlas por completo. Aprendieron mucho.

Conexión poco clara. Con respecto a las promociones, los gerentes tenían que determinar qué productos promocionar, a quién, a través
de qué canales, a través de qué mecanismo de descuento / promoción, y por cuánto. C Los gerentes revisaron los informes durante toda la
semana que compararon los datos de ventas en una variedad de cortes: día a día, semana a semana, año tras año. Acudieron a sus analistas
con preguntas específicas a nivel de producto. Consumieron datos curados constantemente. Sin embargo, no siempre articularon claramente las
conexiones entre datos, métricas e impactos comerciales.

En algunos casos, no estaba claro si se había considerado en su totalidad el impacto que tendrían una pregunta y una respuesta en la
empresa. Por ejemplo, dada una estrategia de promoción particular sobre detergente para platos, ¿cómo afectaría la estrategia de promoción
a las ventas incrementales? ¿Los clientes habrían comprado detergente de todos modos sin la promoción? Si desarrollaran una nueva
métrica, ¿podría un gerente actuar de manera diferente según la respuesta? Estas fueron preguntas muy difíciles de responder, pero tuvieron
un impacto directo en el negocio.

En otros casos, no estaba claro que las preguntas de los gerentes se basaran en hipótesis comprobables. ¿Había un vínculo claro y
lógico entre cómo se cuantificó la pregunta, la acción que permitiría y las medidas de impacto y éxito? Si un gerente obtuviera una respuesta,
tomara una decisión y actuara, ¿podría evaluar si esa acción fue más efectiva que la alternativa original?

En casi todos los casos, no fue posible saber si las decisiones que fueran buenas para una unidad de negocio o tienda tendrían un
impacto positivo en Target en su conjunto. El análisis anterior podría sugerir que una promoción de detergente para platos aumentaría las
ventas en la tienda en un 25%, pero no había forma de cuantificar el efecto que esta promoción podría tener en las ventas en otras tiendas y,
por lo tanto, el valor incremental que esa decisión tendría para Target en su conjunto. . Había muchos datos, pero no existía un marco claro
para ayudar a los gerentes a pensar a nivel empresarial.

Barreras para analistas. En ocasiones, los analistas enfrentaron barreras estructurales para encontrar respuestas. Un analista de BI experimentado
puede tener un conocimiento profundo de un negocio, buenas relaciones laborales con los gerentes de la unidad y motivación para responder las
preguntas que se le presenten de manera precisa y rápida. Sin embargo, encontrar, procesar y agregar los datos específicos que necesitaba podría ser un
desafío y llevar mucho tiempo. Si la pregunta nunca cambiaba y existía una herramienta que permitiera al analista responder la pregunta, entonces el
proceso era simple. Pero el comercio minorista era un entorno en constante cambio, las preguntas a menudo cambiaban y los analistas no siempre podían
encontrar formas de responder nuevas preguntas dentro de las duras limitaciones de tiempo.

c Por ejemplo, ¿se anunciaría una promoción para una tienda en particular en una circular, un inserto o por correo directo? ¿Se reduciría el precio o habría otro
mecanismo? ¿Se aplicaría la promoción a todos los clientes de solo titulares de REDcard (tarjeta de crédito de fidelidad)?

6
Ciencia de datos en Target 118-016

Análisis para validación. A veces, los gerentes utilizaron analistas de BI para validar decisiones en lugar de responder preguntas.

Conduce para aprender. A medida que el equipo trabajó con analistas y gerentes de BI en diferentes unidades a lo largo del tiempo, aumentó
la sofisticación de las preguntas que les hicieron. Un analista traería una nueva pregunta con más potencial de impacto comercial, una que requería
la experiencia de un ingeniero para desarrollar una herramienta para responderla. Una vez que el equipo acelerara, el analista de BI podría regresar
una hora más tarde para descubrir que un ingeniero había "hecho cosas" y que los datos que necesitaba para elaborar una respuesta precisa y útil
estaban disponibles de repente. El tiempo de espera se midió en minutos, no en días. Los analistas vieron las posibilidades y se emocionaron. El
equipo de ciencia de datos pudo ver que, a la larga, el analista era tanto el cliente como el gerente comercial que traía preguntas desde la primera
línea.

Este compromiso con los analistas y gerentes de BI en todas las unidades de negocios fue una experiencia increíblemente valiosa. No había
respuestas fáciles en el futuro, pero el equipo había encontrado conocimientos reales para llevar la ciencia de datos al siguiente nivel en Target.

Herramientas para la empresa

Desai había comenzado su trabajo en Target con la premisa de que los datos y los análisis mejor hechos podrían ayudar a transformar
Target mucho más rápido. A mediados de 2014, el pequeño equipo de Desai había forjado relaciones importantes con analistas y gerentes en
varias unidades de negocios. EDABI manejaba las pruebas y las mediciones, había definido métricas clave para acelerar el negocio digital y la
personalización de la recomendación de productos estaba casi lista. El equipo estaba a punto de comenzar a sentar las bases para recopilar
datos digitales y actuar sobre ellos en tiempo real. Había mucho trabajo por hacer, pero el potencial de impacto era visible a nivel ejecutivo. Entre
el primer trimestre de 2013 y el segundo trimestre de 2014, el crecimiento de las ventas digitales había aumentado de aproximadamente un 18%
a aproximadamente un 30%, lo que era muy prometedor dada la difícil economía de EE. UU. Y el crecimiento de las ventas de ladrillo y mortero. 7 En
diciembre de 2014, el liderazgo promovió a Desai a vicepresidente senior de datos empresariales, análisis e inteligencia empresarial en Target
Corporation.

El equipo de ingeniería había desarrollado el sistema de back-end para almacenar y entregar datos. El equipo había invertido en una interfaz de
programación de aplicaciones (API) para que los científicos de datos de la organización pudieran acceder fácilmente a los datos y participar en la
experimentación de experiencias de cara al cliente, así como herramientas de cara a los empleados. El siguiente desafío fue poner las herramientas de
análisis impulsadas por esta infraestructura en manos de los analistas de BI y, posiblemente, los gerentes comerciales para que pudieran plantear y
responder preguntas como parte integrante de su flujo de trabajo diario.

Desai reunió a un equipo de cinco y les hizo la siguiente pregunta:

¿Cómo se crea un sistema que empodera a los analistas para generar conocimientos de calidad de producto? ¿Consecuentemente? ¿En
un entorno dinámico?

Grado del producto se refirió a los diversos productos digitales y funciones que se están implementando (algunos para uso de los clientes y
otros para uso de administradores y analistas de BI). El equipo necesitaba comprender el impacto independiente de los productos, los roles que
estos productos desempeñaban en el ecosistema más amplio y qué tan bien funcionaban juntos. Esta retroalimentación sería muy importante para
que el equipo de administración de productos refinara su hoja de ruta de productos, en términos de qué construir y cómo mejorar las características
más relevantes. El objetivo era optimizar esta retroalimentación y acelerar el tiempo de respuesta para que los ingenieros recibieran datos y
respuestas sobre cómo funcionaban los productos mucho más rápido (de semanas a días).

7
118-016 Ciencia de datos en Target

Esta era una propuesta compleja, pero Desai creía que era fundamental para el éxito de la ciencia de datos en Target. El corolario de
trabajo se convirtió en: diseñar un sistema tan flexible y fácil de usar para que "fuera lo más fácil posible hacer que un analista 'dijera sí' a las
preguntas de un gerente comercial".

El equipo necesitaba tomar una serie de decisiones estratégicas sobre cómo diseñar la infraestructura organizacional de manera que la
infraestructura de TI de ciencia de datos realmente ayudara a los analistas de BI y gerentes comerciales a cumplir con los objetivos de ambas
unidades de negocios, así como con los objetivos de la empresa Target más grande. La toma de decisiones de diseño estratégico sobre la
infraestructura de TI, las herramientas de ciencia de datos, los flujos de datos y la gobernanza también sería parte de este proceso. Equilibrar las
tensiones entre los distintos sistemas y entre ellos sería un desafío formidable.

Organización centralizada versus descentralizada

Todas las estructuras organizativas existían para gestionar las tensiones inherentes entre los gestores de conocimiento local de grano
fino detectados en los límites periféricos de una organización y la perspectiva más amplia de los ejecutivos sentados en el centro de una
organización, habilitada por informes de datos agregados y resumidos que fluían hacia ellos. de toda la organización.

Debido a que una de sus funciones estratégicas era permitir el análisis en toda la empresa, Desai decidió que el equipo de ciencia de datos
comenzaría como un servicio principalmente centralizado. La principal pregunta organizativa se convirtió entonces en: ¿Cómo tratar a la cohorte de
analistas de BI que sería el cliente principal para quien el equipo diseñaría las herramientas? ¿Deberían seguir integrados en las unidades de negocio?
¿O deberían sentarse más cerca de los científicos de datos? ¿Cómo debería pensar el equipo sobre estas compensaciones? ¿Podría la ubicación de
los analistas dentro de la organización evolucionar con el tiempo? ¿Si es así, cómo? ¿Cómo sería esa evolución?

Herramientas estructuradas versus flexibles

El equipo de Desai comenzó a construir e introducir pequeñas herramientas a analistas de BI individuales al principio, por el bien de la divulgación, el
desarrollo cultural, la experimentación y el aprendizaje. Pero la ventana para proyectos de pequeño calibre se estaba cerrando. La capacidad de escalar
herramientas efectivas para satisfacer las necesidades en toda la empresa era un tema importante que el equipo debía considerar. Un resultado ideal sería una
herramienta que los propietarios de empresas pudieran adaptar a sus necesidades en tiempo real a medida que cambia la empresa.

Consideraron un gerente a nivel regional, responsable de varias tiendas. Un caso de uso específico fue cuando un competidor anunció una lista
de cierres de tiendas (o, a la inversa, la apertura de tiendas de noticias). El gerente regional querría monitorear si las tiendas de Target cercanas a
esos sitios se estaban viendo afectadas y en qué medida. En el pasado, esto habría requerido un nuevo ajuste personalizado a una herramienta. La
visión de las nuevas herramientas era permitir a un analista de BI tomar la lista de las tiendas de la competencia, cargarla en el sistema Target,
vincularla a los datos existentes a nivel de tienda y de clase, e iniciar informes diarios automatizados sobre este competidor, producidos en un pocas
horas. El analista de BI podría pasar más tiempo con el gerente regional y los gerentes comerciales para comprender e interpretar el resultado de
estos informes para diseñar una mejor estrategia y toma de decisiones. en lugar de perder tiempo construyendo la herramienta. Los datos
necesarios para evaluar este tipo de escenario abarcaron múltiples dominios de datos (por ejemplo, ventas internas, precios de la competencia,
niveles de inventario). re Sin embargo, para poder tomar decisiones ágiles, el proceso tenía que ser rápido.

d Por ejemplo, ¿se debieron las menores ventas de ropa en el suroeste al inicio tardío del invierno, porque la competencia tenía mejores precios / productos, o la disponibilidad

de inventario de Target era limitada?

8
Ciencia de datos en Target 118-016

Un enfoque fue construir un sistema altamente estructurado. Tal sistema sería mucho más fácil de escalar pero podría limitar la calidad de las
herramientas que el equipo podría producir en respuesta a nuevas necesidades en la unidad de negocio. Otros beneficios fueron la estabilidad y la
capacidad de automatizar procesos rápidamente. Esto se debió en parte a que la estructura permitió al equipo realizar un seguimiento de las
dependencias en el código y, por lo tanto, evitar errores más fácilmente. Sin embargo, era poco probable que un sistema altamente estructurado pudiera
satisfacer las necesidades que Desai imaginó en la organización.

Un enfoque diferente fue construir un sistema más flexible. El desafío clave con este tipo de sistema es que fue menos fácil de escalar. La
"última milla" entre la infraestructura de ciencia de datos y un administrador de BI específico era donde una herramienta necesitaba funcionar
correctamente para desbloquear el valor. Un sistema flexible permitiría la personalización, pero requeriría más atención por parte de los ingenieros
para configurar herramientas para las necesidades específicas y muy diferentes de los gerentes en las oficinas y tiendas de todo el país. El equipo
se preguntó si sería posible lograr que los analistas con poca o ninguna experiencia en programación aprendieran lo suficiente para modificar las
herramientas que funcionan bien para su propósito específico.

Por ejemplo, en los sistemas existentes, podría llevar una semana implementar cambios que un ingeniero podría percibir como pequeños e
intrascendentes, pero que de hecho eran importantes para la capacidad de un gerente de funcionar en su contexto local. Dichos cambios pueden
incluir agregar una nueva columna a un informe, cambiar el formato o los cálculos de fórmulas, incorporar nuevos datos o crear nuevas vistas o
agrupaciones. Además, el sistema necesitaba acomodar múltiples fuentes de datos para un acceso fácil y confiable de modo que los analistas de BI
pudieran combinar rápidamente estos conjuntos de datos para responder preguntas fácilmente. Los usuarios necesitaban la capacidad de entregar
y visualizar la inteligencia proveniente del sistema. Este sería un gran desafío.

El enfoque de Desai para el desarrollo de herramientas

Desai esperaba que el equipo construyera herramientas analíticas receptivas, escalables y confiables para empoderar a los analistas y
gerentes de BI. Eso fue un hecho. Pero también los desafió a pensar en su trabajo no solo como una colección de código y software sofisticados,
sino como una "decisión comercial inteligente". En el análisis final, si se desarrollan bien, estas herramientas se extrapolarían para respaldar
millones de decisiones comerciales inteligentes todos los días en las oficinas y sitios de Target en todo el país.

La mayoría de los ingenieros del equipo apreciaron el concepto, pero algunos tenían preocupaciones. Históricamente, los gerentes
comerciales y los analistas que los apoyaron fueron sus "clientes". En ese modelo, un compromiso era un éxito si el cliente estaba satisfecho
con los resultados. Desai estaba presionando al equipo para que cultivara las habilidades y la mentalidad para pensar de manera muy crítica
sobre el caso comercial y la pregunta. Realmente, agudizar la pregunta fue solo el primer paso en lo que tendría que ser una investigación
enérgica sobre el caso de uso para que la infraestructura de ciencia de datos ofrezca su valor potencial.

Para obtener valor del sistema, los analistas y gerentes de BI deberían considerar una variedad de cuestiones:

o ¿Qué pregunta querían responder? ¿Qué impacto tendría esto en el negocio? ¿Cómo actuaría el gerente de manera diferente en
función de las respuestas?

o ¿Cuál fue la hipótesis del gerente sobre cómo sería una solución?

o ¿Cómo cuantificarían y representarían la pregunta? Cual fue la unidad de medida?

o ¿Cómo obtendrían los datos? ¿Quién lo había estado guardando? ¿Cómo medirían el impacto / éxito?

9
118-016 Ciencia de datos en Target

Los analistas y gerentes de negocios tendrían que estar dispuestos a involucrarse con el sistema de la manera que demanda para que este enfoque basado
en datos realmente funcione. Esos "clientes" tenían que ver este "pensamiento del producto" como una mejora con respecto a las herramientas anteriores.

Algunos de los ingenieros de Desai se preguntaron si esto requeriría más esfuerzo del que podrían permitirse los gerentes ocupados y enfocados en
entregar resultados. Además, había cierta tensión inherente en un equipo de científicos de datos que brindaba sugerencias a los administradores que
habían vivido y respirado sus unidades de negocio de una manera que el equipo de ciencia de datos nunca lo haría. ¿Cómo se desarrollaría esto?

Otros dejaron de lado esas preocupaciones y se enfocaron en lo que podría suceder si el enfoque funcionara y los analistas y gerentes
de BI aceptaran la invitación para adoptar el rigor en la formulación de preguntas. En ese caso, el proceso para desarrollar herramientas
podría surgir a través de un esfuerzo conjunto entre el gerente, el analista y el ingeniero para "enmarcar y responder la pregunta juntos". De
tal manera que la pregunta estaba bien formulada y debidamente formulada.

En un escenario de éxito, los datos impulsarían cada vez más la toma de decisiones en las unidades de negocio. En un período de tiempo más largo,
digamos de cinco a siete años, el enfoque de Target para la venta minorista podría transformarse de adentro hacia afuera, impulsado por la capacidad de
recopilar, procesar, analizar y actuar continuamente sobre los datos en beneficio de millones de clientes y de la empresa. sí mismo. Ese fue el juego largo
de Desai y sus seguidores.

10
Ciencia de datos en Target 118-016

Notas finales

1 Desai, Paritosh. "Se necesitan más que matemáticas e ingeniería para dar en el blanco con los datos". Presentación en PowerPoint, Conferencia KDD, agosto de 2017.

Halifax, Nueva Escocia.

2 Jennifer Reingold, "Círculo íntimo de Target", Fortuna, 18 de marzo de 2008,

http://money.cnn.com/2008/03/18/news/companies/reingold_target.fortune/ en Gulati, Ranjay, Rajiv Lal y Catherine Ross. "Objetivo: Responder a la

recesión". HBS nº 510-016. Boston: Harvard Business School Publishing, 2017.

3 Michael Graves Arquitectura y diseño. "Michael Graves Design en Target". Sitio web de Michael Graves.

https://michaelgraves.com/portfolio/michael-graves-design-target/ , consultado en julio de 2017.

4 Reingold, 2008.

5 Target Corporation, empresa 10-K para el período que finaliza el 31 de enero de 2009, p. 5, en Gulati, Ranjay, Rajiv Lal y Catherine Ross. "Objetivo:

Responder a la recesión". HBS nº 510-016. Boston: Harvard Business School Publishing, 2017.

6 Desai, diapositiva 5.

7 Evercore ISI Research Report, 24 de mayo de 2017. Thomson Research, consultado en junio de 2017.

11