DATOS

No necesita big data,

sino los datos correctos
Por Maxwell Wessel
3 DE NOVIEMBRE DE 2016

Marion Barraud para HBR

El término "big data" está en todas partes. Dado que hay exabytes de información que circulan por
redes de banda ancha, las empresas compiten por tener los conjuntos de datos más extensos y
osados. En esta competencia participan empresas de todo tipo, emergentes y establecidas,
industriales y digitales, grandes y pequeñas.
Se utilizan enormes cantidades de datos sociales, meteorológicos y gubernamentales para predecir
interrupciones en la cadena de suministros. Hay grandes volúmenes de datos de usuarios que

COPYRIGHT © 2016 PUBLICACIONES DE LA ESCUELA DE NEGOCIOS DE HARVARD. TODOS LOS DERECHOS RESERVADOS. 2
 se usan a gran escala para identificar a personas específicas en el mar de clics que reciben los sitios
web. Además, las empresas incluso están comenzando a utilizar enormes cantidades de intercambios
de mensajes de texto para crear algoritmos capaces de mantener conversaciones con los clientes.

Sin embargo, la realidad es que el énfasis implacable que ponemos en la importancia de big data
suele ser engañoso. Sí, en algunas situaciones, para obtener valor de los datos, se necesita contar con
una enorme cantidad de datos. No obstante, la clave para los innovadores de diferentes industrias es
que el factor más importante no es el tamaño de los datos, sino el acceso a los datos correctos.

No se trata del tamaño

A Uber se la suele mencionar como una de las historias de éxito de big data. No caben dudas de que
Uber capta una enorme cantidad de información. Por medio de las aplicaciones que se ejecutan en los
automóviles de sus conductores y en los bolsillos de sus usuarios, esta empresa ha trazado los flujos
de logística en tiempo real del transporte humano.

Sin embargo, el éxito de Uber no es una función de big data que recopila. Big data permitió que la
empresa ingresara a nuevos mercados y realizara nuevas tareas en las vidas de sus clientes. El éxito
de Uber radica en algo muy diferente: los pequeños datos correctos que necesitaba para hacer algo tan
simple como enviar automóviles.

En la era anterior a que pudiéramos solicitar un vehículo con solo apretar un botón en nuestros
teléfonos inteligentes, los humanos necesitaban algo llamado taxi. Si bien estaban muy
desconectados de Internet o de cualquier otra infraestructura informática formal, los taxis eran en

realidad los que manipulaban la big data para identificar clientes. ¿Por qué? El sistema de taxi
requería de una red de globos oculares que se movían por la ciudad en busca de figuras con forma
humana que tuvieran los brazos extendidos. Aunque el manejo de los datos no estaba a cargo de una
infraestructura de Intel y Hewlett-Packard, la cantidad de información que se procesaba para
realizar la tarea era enorme. El hecho de que los cómputos se realizaban dentro de la mente humana
no cambia la cantidad de datos que se captaban y se analizaban.

La elegante solución que propuso Uber fue dejar de ejecutar un algoritmo de detección de anomalías
biológicas sobre los datos visuales y simplemente solicitar los datos correctos para realizar la tarea.
¿Quién necesita un viaje y en qué parte de la ciudad se encuentra? Ese dato fundamental permitió que
empresas como Uber, Lyft y Didi Chuxing revolucionaran un sector específico.

Obtención de los datos correctos para la tarea

A veces, los datos correctos son grandes. Otras veces, son pequeños. Sin embargo, para los
innovadores, la clave está en descifrar cuáles son esos datos fundamentales que favorecen una posición
competitiva. Esos son los datos correctos que debe buscar intensamente. Para lograrlo, le sugiero que
se haga las siguientes tres preguntas a modo de proceso para llegar a los datos correctos.

COPYRIGHT © 2016 PUBLICACIONES DE LA ESCUELA DE NEGOCIOS DE HARVARD. TODOS LOS DERECHOS RESERVADOS. 3
 Pregunta 1: ¿Qué decisiones representan una pérdida para su empresa? La mayoría de las empresas
tienen grandes fuentes de pérdida. Piense en el mundo de las florerías minoristas. Una florería
minorista promedio puede soportar tasas de pérdida por deterioro de más del 50% de su inventario.
Más de la mitad de sus flores simplemente se echan a perder. Es por ello que, para los innovadores
como UrbanStems y The Bouqs, los datos que hacen que sus empresas se destaquen son los datos que
les permiten eliminar esas pérdidas. (Les contaré un secreto: yo invertí en UrbanStems).

En las palabras de Ben Edelman, profesor de la Escuela de Negocios de Harvard, "la pérdida
genera oportunidades". Ya sea que se dedique a la producción industrial, al comercio minorista o
a las investigaciones legales, el análisis de sus fuentes de pérdida de esfuerzos y recursos debería
ayudarlo a descifrar los datos correctos. Independientemente de que sea tan simple como identificar
predicciones que sabe que hace (cuánta mercadería guardar en stock) o que deba
pensar en las decisiones implícitas en su modelo empresarial (cómo conducir un taxi por la ciudad a
las 10:00 p.m.), la delimitación de las decisiones lo ayudará a descifrar las fuentes de pérdida.

Pregunta 2: ¿Qué decisiones podría automatizar para reducir las pérdidas? Una vez que tiene sus
decisiones, lo hipotético se convierte en los aspectos que realmente puede cambiar. Los humanos son
excelentes para tomar ciertos tipos de decisiones. Cuando se trata de decidir qué campañas recibirán
las reacciones más irracionales de otras personas en relación con los materiales de marketing
y desarrollo de la marca, los humanos pueden ser brillantes. Estos tipos de decisiones deben
permanecer (por ahora) en manos de las personas.

Sin embargo, cuando se trata de tomar decisiones simples, repetitivas y operativas (como dónde
enviar un taxi, cómo fijar el precio de un producto o cuántas flores encargar en una florería),
las máquinas tienden a ser mucho más eficaces que los humanos. Además, aunque muchos modelos
empresariales del siglo XX dependen del control humano de estas decisiones, actualmente podemos
identificar los datos que se necesitan para automatizar más decisiones de este tipo de las que cree.

Se dice que Amazon, por ejemplo, eliminó casi todos sus equipos de estimación de precios y delegó
la mayoría de estas decisiones al control algorítmico. Para la mayoría de los comercios minoristas,
esto sería una locura. Sin embargo, si el algoritmo de Amazon funciona, esto se traducirá en menores
gastos en descuentos, menos inventario juntando polvo en los depósitos y mayor grado de predicción
en las incorporaciones de nuevos productos. A su vez, cada uno de estos aspectos producirá una
enorme ventaja competitiva.

Pregunta 3: ¿Qué datos necesitaría para lograr este objetivo? Una vez que comprenda la pérdida en
su sistema heredado y que haya delimitado las decisiones que generan esa pérdida, el último paso es
hacerse una pregunta sencilla. Si pudiera acceder a cualquier dato, sin importar qué tan increíble sea,
para poder tomar la decisión perfecta, ¿cuál sería ese dato?

Uber, por ejemplo, necesitaba saber exactamente en qué parte de la ciudad estaban los posibles

COPYRIGHT © 2016 PUBLICACIONES DE LA ESCUELA DE NEGOCIOS DE HARVARD. TODOS LOS DERECHOS RESERVADOS. 4
 clientes para poder automatizar decisiones en torno al lugar al que debía enviar a los conductores
y, así, reducir la pérdida que estaba asociada con el hecho de que los humanos debían salir
a buscar al próximo cliente. En el caso del software de Internet industrial Predix de General
Electric, la empresa aspira a saber exactamente cuándo se averiará una máquina, lo que permitirá
automatizar las decisiones relacionadas con las visitas de mantenimiento y, así, reducirá la pérdida
que supone el tiempo de inactividad no planificado. Por su parte, las aseguradoras médicas que
buscan reducir costos desearían conocer el momento en que el nivel de azúcar en sangre de un
paciente diabético desciende de forma peligrosa, lo que ayudaría a automatizar las decisiones
vinculadas con las intervenciones del paciente y, así, reduciría la pérdida en relación con la mala
administración de enfermedades.

Esos son los datos correctos que se deben buscar. Si llega a esos datos luego de procesar una gran
cantidad de información, fantástico. Si llega a ellos luego de crear una nueva aplicación para
detectarlos directamente, aún mejor.

La mayoría de las empresas dedican mucho tiempo a venerar la big data. Sin embargo,
no dedican el tiempo suficiente a pensar cuáles son los datos correctos que deben buscar.

Maxwell Wessel es el gerente general de SAP.io, una unidad empresarial que busca el crecimiento disruptivo en el gigante
del software SAP.

COPYRIGHT © 2016 PUBLICACIONES DE LA ESCUELA DE NEGOCIOS DE HARVARD. TODOS LOS DERECHOS RESERVADOS. 5
Los derechos de autor de los artículos digitales de Harvard Business Review son propiedad
de Publicaciones de la Escuela de Negocios de Harvard y su contenido no puede copiarse,
enviarse por correo electrónico a varios sitios ni publicarse en un servidor automático de listas
de correo sin el permiso expreso por escrito del titular de los derechos de autor. Sin embargo,
los usuarios pueden imprimir los artículos, descargarlos o enviarlos por correo electrónico
para su uso individual.