Strategic Analytics TRADUCIDO

Machine Translated by Google
Este documento está autorizado para uso de revisión de educadores solo por José Najarro, Universidad del Pacífico hasta julio de 2022.
La copia o publicación constituye una infracción de los derechos de autor. Permissions@hbsp.harvard.edu o 617.783.7860
Información que necesita de
ESTRATÉGICO
ANALÍTICA
Información que necesita de Harvard Business Review
El negocio está cambiando. ¿Te adaptarás o te quedarás atrás?
Póngase al día y profundice su comprensión de los temas que están dando forma
al futuro de su empresa con la serie Insights You Need de Harvard Business
Review . Con el pensamiento más inteligente de HBR sobre temas de rápido
movimiento (cadena de bloques, ciberseguridad, IA y más), cada libro proporciona
la introducción fundamental y los estudios de casos prácticos que su organización
necesita para competir hoy y recopila las mejores investigaciones, entrevistas y
análisis para tenerlo listo. para mañana.
No puede darse el lujo de ignorar cómo estos problemas transformarán el
panorama de los negocios y la sociedad. La serie Insights You Need lo ayudará a
comprender estas ideas críticas y lo preparará a usted y a su empresa para el futuro.
Los libros de la serie incluyen:
Ágil La seguridad cibernética
Inteligencia artificial Monopolios y tecnología

Gigantes
cadena de bloques
Análisis estratégico
Cambio climático
El año en tecnología, 2021
Datos del cliente y
Privacidad
Información que necesita de
ESTRATÉGICO
ANALÍTICA
Prensa de Harvard Business Review
Boston, Massachusetts
Descuentos en ventas por cantidad de prensas HBR
Los títulos de Harvard Business Review Press están disponibles con importantes descuentos
por cantidad cuando se compran al por mayor para obsequios de clientes, promociones de
ventas y premios. Las ediciones especiales, incluidos libros con logotipos corporativos,
portadas personalizadas y cartas de la empresa o del director ejecutivo impresas en la portada,
así como extractos de libros existentes, también se pueden crear en grandes cantidades para
necesidades especiales.
Para obtener detalles e información sobre descuentos para formatos de

libros impresos y electrónicos, comuníquese con booksales@harvardbusiness.org,
tel. 800-988-0886 o www.hbr.org/bulksales.
Copyright 2020 Corporación Editorial de la Escuela de Negocios de Harvard

Reservados todos los derechos
Ninguna parte de esta publicación puede reproducirse, almacenarse o introducirse en un sistema

de recuperación, ni transmitirse de ninguna forma ni por ningún medio (electrónico, mecánico,
fotocopiado, grabación u otros) sin el permiso previo del editor. Las solicitudes de permiso deben
dirigirse a permisos@harvardbusiness.org, o enviarse por correo a Permissions, Harvard Business
School Publishing, 60 Harvard Way, Boston, Massachusetts 02163.
Las direcciones web a las que se hace referencia en este libro estaban vigentes y eran correctas
en el momento de la publicación del libro, pero pueden estar sujetas a cambios.
Datos de catalogación en publicación de la Biblioteca del Congreso
Título: Analítica estratégica.

Otros títulos: Perspectivas que necesita de Harvard Business Review.
Descripción: Boston, Massachusetts: Harvard Business Review Press, [2020] | Serie: Perspectivas
que necesita de Harvard Business Review | Incluye índice.
Identificadores: LCCN 2019046714 (imprimir) | LCCN 2019046715 (libro electrónico) | ISBN
9781633698987 (rústica) | ISBN 9781633698994 (libro electrónico)
Materias: LCSH: Planificación empresarial. | Investigación cuantitativa. | Estratégico
Planificación—Programas de computadora. | Gestión—Métodos estadísticos. | Gestión—
Procesamiento de datos.
Clasificación: LCC HD30.28 .S72916 2020 (impresión) | LCC HD30.28 (libro electrónico) |
DDC 658.4/012—dc23
Registro de LC disponible en https://lccn.loc.gov/2019046714
Registro de libro electrónico de LC disponible en https://lccn.loc.gov/2019046715
ISBN: 978-1-63369-898-7
eISBN: 978-1-63369-899-4
Encuentre más contenido digital o únase a la discusión en www.hbr.org.

Contenido
Introducción
Lo que hace que Analytics sea xi
estratégico Ellos hacen posible su

estrategia o modelo de negocio.
por Thomas H. Davenport
Sección 1
Comprender los conceptos básicos de análisis
1. Los cinco elementos esenciales para tener éxito 3
con datos
Y los costos de perder alguno.
por Thomas C. Redman
2. Comprender los tipos de datos y cómo 11
se capturan
Aumente su alfabetización de datos.
por Hugo Bowne-Anderson

Contenido
3. La forma correcta de implementar el análisis predictivo 21
Concéntrese primero en su equipo, luego en la tecnología.
por Eric Siegel
4. Qué hacen los grandes analistas de 31
datos y por qué todas las organizaciones los necesitan.
por Cassie Kozyrkov
5. Para qué sirven y para qué no sirven los datos 43
Los números rara vez revelan el “por qué”.
por Joel Shapiro
Sección 2
Convertirse en una organización impulsada por análisis
6. Priorice qué habilidades de datos tiene su 53
Necesidades de la empresa
Considere el tiempo versus la utilidad.
por Chris Littlewood
7. Cómo una empresa manufacturera alemana instaló su 61
laboratorio de análisis
Las mejores prácticas que cualquier empresa puede seguir.
de Niklas Goby, Tobias Brandt y Dirk Neumann
viii
Contenido
8. La computación en la nube está ayudando a las 73
empresas más pequeñas y nuevas a competir
El alquiler de potencia informática puede nivelar el
campo de juego.
por Nicholas Bloom y Nicola Pierri
9. Ciencia de datos y el arte de la persuasión 85
Resolviendo el problema de la última milla de los datos.
por Scott Berinato
Seccion 3
Aplicación de análisis de datos
10. Cómo Vineyard Vines utiliza la analítica para conquistar clientes 115
Mediante la integración de datos de
comportamiento y algoritmos predictivos.
por Dave Sutton
11. Cómo usar los datos de los empleados de manera responsable 127
Tres formas de mantener la confianza al utilizar el
análisis de personas.
por Ellyn Shook, Eva Sage-Gavin y Susan Cantrell
12. Cómo se ve la toma de decisiones impulsada por IA 137
A veces, los humanos necesitan quitarse del camino.
por Eric Colson
ix
Contenido
13. Cómo las empresas pueden utilizar los datos que recopilan 151
para fomentar el bien público
Y por qué se benefician de hacerlo.

por Edward L. Glaeser, Hyunjin Kim y Michael Luca
Sobre los Colaboradores 159
Índice 163
X
Introducción
QUE HACE
ANALÍTICA ESTRATÉGICA
por Thomas H. Davenport
Las organizaciones están ansiosas por cosechar las recompensas de los
datos y el análisis: aprender acerca de sus clientes mediante la recopilación

de grandes cantidades de datos, usar esa información para hacer apuestas.
ter productos y superar a la competencia, y utilizar algoritmos de aprendizaje
automático para crear nuevas oportunidades y mejorar el rendimiento. Sin
embargo, a pesar de sus esfuerzos, muchas empresas descubren que el
progreso hacia estos objetivos es dolorosamente lento. El uso exitoso de la
analítica requiere no solo datos de alta calidad y hardware y software
potentes, sino también una cultura que fomente la gestión basada en datos.
xi
Introducción
decisiones y un conjunto de habilidades para tomarlas. Relativamente
pocas organizaciones tienen todas esas capacidades a escala.
Durante la mayor parte de los más o menos 60 años de análisis
empresarial, el análisis ha sido en gran medida táctico. Han descrito

transacciones comerciales comunes y repetitivas, eran en gran medida
retrospectivas y no eran muy visibles (o deseadas por) los altos
ejecutivos. Los gerentes inteligentes sin duda prestaron atención a los
números que mostraban cuánto dinero ganaban en productos específicos
o en trimestres particulares, pero ese tipo de informes de rutina
difícilmente podría describirse como estratégico. Las empresas gastaron
mucho más dinero y esfuerzo en implementar sistemas de información
transaccional que en analizar los datos que surgieron de ellos.
Décadas más tarde, usamos la analítica de una manera mucho más
dedicada. Alrededor del cambio de siglo, las empresas comenzaron a
buscar lo que podría llamarse “análisis estratégico”, análisis que se
usaban para predecir lo que los clientes podrían comprar; cerrar tiendas,
sucursales y líneas de productos menos rentables; o incluso para

desarrollar nuevas ofertas de servicios.1 Con las mejoras sustanciales
en el rendimiento que permitieron estos esfuerzos, los altos ejecutivos
comenzaron a prestar atención al potencial de la analítica. En unos
pocos años, la analítica se convirtió en la base de su estrategia comercial
y su enfoque del mercado.2 Capital One, por ejemplo, se escindió de un

banco de tercer nivel, pero su crédito
xi
Introducción
negocio de tarjetas se basó en "estrategia basada en la información
egía.” Empleó datos y análisis para tomar prácticamente todas las

decisiones en la empresa, desde qué tasa de interés cobrar hasta
qué clientes apuntar. Al hacerlo, Capi tal One devolvió más valor a
los accionistas durante sus primeros 10 años como empresa pública
que cualquier otra empresa en los Estados Unidos.
Los análisis están alcanzando nuevas alturas con la incorporación

de nuevas tecnologías, muchos más datos, aprendizaje automático
e inteligencia artificial (IA). Las empresas están utilizando datos
externos para entrenar algoritmos que ayuden en la toma de
decisiones. Están utilizando datos internos para mejorar el rendimiento
de los empleados. Los líderes están contratando nuevos talentos
(científicos de datos, estadísticos y analistas) para sacar conclusiones
sobre sus datos y usar estos hallazgos para informar las decisiones
estratégicas de los líderes.
Las analíticas estratégicas son aquellas que hacen posible la
estrategia o el modelo de negocio de una empresa. Considere las
empresas de hoy cuyo modelo de negocio no podría sobrevivir sin
análisis e inteligencia artificial, como Google, el empleador de Cassie
Kozyrkov, colaboradora de este libro, o las operaciones de comercio
electrónico de Vineyard Vines, descritas en el capítulo 10. Estas
empresas se dan cuenta de que mediante el uso de análisis más
estratégicamente, están viendo mejores resultados, más rápido.
A pesar de esta constatación, muchas organizaciones todavía
luchan por implementar el análisis de manera efectiva. En una encuesta
XIII
Introducción
de casi 65 Fortune 1000 o empresas líderes en la industria, mi colega Randy
Bean y yo descubrimos que el 72 % de las empresas grandes y sofisticadas
no han logrado culturas basadas en datos.3 Además, entre esos encuestados:
• 69% informó que no ha creado una organización basada en datos
• El 53 % afirmó que aún no trata los datos como un activo comercial
• 52% admite que no están compitiendo en datos y
analítica
Para aprovechar verdaderamente el valor del análisis estratégico, com
Las empresas necesitan tener algunos elementos comunes en su lugar.
Datos y tecnología. Las empresas que tienen éxito en el análisis estratégico
ya poseen grandes volúmenes de datos de alta calidad y las tecnologías para
administrarlos, o hacen lo necesario para adquirirlos. Eso puede implicar
obtener datos externos, construir infraestructuras digitales por sí mismos o
recurrir a la computación en la nube.
El talento adecuado y conjuntos de habilidades. Las empresas basadas en
datos contratan a científicos de datos y analistas cuantitativos talentosos, a
menudo en grandes cantidades. Construyen equipos de datos en torno a
talentos clave y aprovechan esas habilidades para alcanzar sus objetivos de datos.
xiv
Introducción
Y se aseguran de que su gente tenga habilidades básicas de

análisis de datos, sin importar su rol en la organización, para que
puedan entender lo que les dicen los datos y tomar decisiones
basadas en ello.
Una cultura basada en datos. Quizás lo más importante es que

las empresas que utilizan el análisis de forma estratégica tienen
culturas que enfatizan las decisiones basadas en datos y análisis.
Este es quizás el aspecto más difícil de lograr del análisis estratégico.
Dicha cultura generalmente requiere que los altos ejecutivos
establezcan el tono de sus organizaciones, patrocinando proyectos
analíticos e insistiendo en decisiones basadas en datos cuando
sea factible.
Este libro tiene como objetivo ayudar a cualquier persona a

aprender los conceptos básicos de datos y análisis, ayudar a sus
empresas a basarse más en los datos y fomentar la aplicación de
análisis a cuestiones y problemas estratégicos. Está dividido en
tres partes. La Sección 1 le presenta conceptos clave en el espacio
de datos y lo ayuda a aumentar su alfabetización de datos, para
que pueda ser parte de la conversación. La Sección 2 lo ayuda a
aprender cómo su organización puede convertirse en basada en
datos: qué debe estar en su lugar y en qué pensar al considerar la
aplicación de análisis estratégicos. Finalmente, la sección 3 lo
ayuda a ver las oportunidades que brindan los datos y le brinda
ejemplos de formas de usar su análisis para obtener el máximo beneficio.
XV
Introducción
A medida que avanza en este libro, considere si usted y su

organización están preparados para el análisis estratégico
haciéndose estas preguntas:
• ¿Tiene personalmente las habilidades que necesita para

analizar datos o consumirlos de manera efectiva?
• ¿Su gente entiende los conceptos básicos de datos y

análisis? ¿Tiene las habilidades y el talento adecuados
en su equipo?
• ¿Está implementando su organización tecnologías

analíticas modernas?
• ¿Se está aplicando esta potencia analítica a

problemas y cuestiones que harán que la empresa sea
más exitosa?
• ¿Las decisiones que toma su empresa utilizan datos para

informarlas? Si no, ¿hay formas de recopilar más
información para hacer este cambio?
• ¿Su cultura organizacional alienta

pensamiento analítico de cada miembro de su equipo?
Si no está seguro de sus respuestas a estas preguntas, o

se da cuenta de que su empresa no está haciendo lo suficiente
para aprovechar al máximo sus capacidades analíticas,
xvi
Introducción
es hora de comprometerse con otros en su empresa para

abordar estos problemas y comenzar.
Podemos pensar en el análisis como un campo que involucra
datos y tecnología, pero como sugieren muchos de los capítulos
de este libro, se trata principalmente de personas. Sus habilidades,
prioridades y actitudes determinan si las decisiones y acciones
se toman sobre la base de datos y análisis, o de la intuición y las

conjeturas. Si su organización tiene suficientes personas que se
preocupan por el análisis estratégico, incluido usted mismo,
el resto del viaje es relativamente sencillo.
NOTAS
1. Thomas H. Davenport, Jeanne G. Harris, David W. De Long y Alvin L.

Jacobson, "Data to Knowledge to Results: Building an Analytic Capability",
California Management Review 43/2 (invierno de 2001): 117– 138.
2. Thomas H. Davenport, "Competir en análisis", Harvard Business

Review, enero de 2006, https://hbr.org/2006/01/competing
-en-analítica; Thomas H. Davenport y Jeanne G. Harris, Competiting on
Analytics: The New Science of Winning (Boston: Harvard Business School
Press, 2007).
3. Randy Bean y Thomas H. Davenport, “Companies are Failing in Their

Efforts to Become Data-Driven”, hbr.org, 5 de febrero de 2019, https://hbr.org/
2019/02/companies-are- fallando en su
-esfuerzos-para-convertirse-en-datos.
xvii
Sección 1
COMPRENSIÓN
ANALÍTICA
LO ESENCIAL
LOS CINCO ESENCIALES
ELEMENTOS PARA
TENIENDO ÉXITO CON
DATOS
por Thomas C. Redman
H ayelun montón
espacio de del
de datos: grandes
análisis alideas y técnicas
aprendizaje en
automático
desde la toma de decisiones basada en datos hasta la
mejora de la calidad de los datos. Algunas de estas ideas han
existido durante mucho tiempo y están completamente
examinadas, probándose una y otra vez. Otros han disfrutado de
una amplia socialización en la prensa empresarial, popular y técnica. De hecho, e
3
Hombre rojo
Economist proclamó que los datos son ahora "el activo más valioso del
mundo".1
Con todas estas historias de éxito y una reputación tan embriagadora,
uno podría esperar ver compañías pregonando un crecimiento sostenido de
los ingresos, reducciones permanentes en las estructuras de costos, mejoras
dramáticas en la satisfacción del cliente y otros beneficios. Excepto para muy
pocos, esto no ha sucedido. Paradójicamente, los “datos” aparecen en todas
partes menos en el balance y la cuenta de resultados. De hecho, el
La fría realidad es que, para la mayoría, el progreso es angustiosamente lento.
Se necesita mucho para tener éxito con los datos. Como muestra la figura
1-1, una empresa debe realizar un trabajo sólido en cinco componentes, cada
uno razonablemente alineado con los otros cuatro. La falta de alguno de estos
elementos compromete el esfuerzo total.
Exploremos cada componente a su vez.
Obviamente, para tener éxito en el espacio de los datos, las empresas
necesitan datos, correctamente definidos, relevantes para las tareas en
cuestión, estructurados de tal manera que sean fáciles de encontrar y
comprender, y de la calidad suficiente para que se pueda confiar en ellos.
Ayuda si algunos de los datos son propietarios, lo que significa que usted tiene
la propiedad exclusiva o el acceso a ellos.
Para la mayoría de las empresas, los datos son un problema real. Los
datos están dispersos en silos, atrapados en sistemas departamentales que
no se comunican bien entre sí, la calidad es deficiente y los costos asociados
son altos. Los datos erróneos hacen que sea casi imposible convertirse en
datos basados en datos y añaden enormes
4
Los cinco elementos esenciales para tener éxito con los datos
FIGURA 1-1
Cinco elementos esenciales para tener éxito con los datos
Y qué sucede cuando falta un elemento.
Cuando un elemento
Está perdido
Medios para monetizar Capacidad organizacional Defensa

Datos de calidad Tecnología
Altos costos y
X
dificultad
pequeño negocio
X beneficio
Poco crecimiento
X
más allá de los silos
no se
X puede escalar
Cuesta tiempo,
X
dinero y problemas
incertidumbre al progreso tecnológico, incluido el aprendizaje

automático y la digitalización.
Luego, las empresas necesitan un medio para monetizar esos
datos, esencialmente un modelo comercial para poner los datos
a trabajar, con ganancias. Aquí es donde se destaca la venta
directa de datos, su integración en productos y servicios, su uso
como entrada para análisis y la toma de mejores decisiones. Hay
tantas maneras de poner los datos a trabajar que es difícil seleccionar la
5
Hombre rojo
Los mejores. Una instrucción de alto nivel como "usar análisis

siempre que sea posible" no es suficiente. Debe definir cómo
planea usar el análisis para crear una ventaja comercial y luego
ejecutar. Sin una dirección comercial clara y de arriba hacia abajo,
las personas, los equipos y los departamentos enteros se van por
su cuenta. Hay mucha actividad pero poco beneficio sostenido.
Las capacidades organizacionales incluyen talento, estructura
y cultura. Hace algunos años, noté que la mayoría de las
organizaciones eran singularmente "no aptas para los datos".
Carecen del talento que necesitan, asignan a las personas
equivocadas para que se ocupen de la calidad, sus silos
organizativos dificultan el intercambio de datos y, aunque pueden
afirmar que "los datos son nuestro activo más importante", no lo
tratan de esa manera. En todo caso, este problema se ha vuelto más agudo.
Empieza con talento. Es bastante obvio que si desea ampliar
las fronteras del aprendizaje automático, necesita algunos
científicos de datos de clase mundial. Menos evidente es la necesidad de
personas que puedan racionalizar los procesos comerciales,

construir modelos predictivos en ellos e integrar las nuevas
tecnologías en las antiguas. En términos más generales, es fácil
lamentar la escasez de talento técnico de primer nivel, pero igual
de importantes son las habilidades en todos los niveles del
organigrama, la capacidad de gestión para unirlo todo y el liderazgo
para impulsar la ejecución a escala. Considere este ejemplo:
muchas empresas ven un enorme potencial en la toma de
decisiones basada en datos. Pero para perseguir tal objetivo, usted
6
tienen que enseñar a las personas cómo usar los datos de manera efectiva. El
liderazgo debe darse cuenta de que ganar incluso una fracción del valor que
ofrecen los datos requiere más que simplemente instalar un programa de IA en un
departamento o pedirle a TI que digitalice las operaciones.
La estructura y la cultura también son una preocupación. Como se ha señalado,
los silos organizacionales dificultan el intercambio de datos, lo que limita
efectivamente el alcance del esfuerzo. Todas las organizaciones afirman que
valoran los datos, pero sus líderes tienen dificultades para responder preguntas
básicas como "¿Qué datos son los más importantes?" "¿Cómo planea ganar dinero
con sus datos?" o “¿Tienes algo que sea de propiedad?” Algunos incluso se refieren
a los datos como "agotamiento", ¡la antítesis de un activo valioso! Sin abundancia
de talento
y una estructura organizacional y una cultura que valoran los datos, es difícil para
las empresas hacer crecer sus esfuerzos exitosos más allá de los niveles de equipo
y departamento.
En cuarto lugar, las empresas necesitan tecnologías para entregar a escala y
bajo costo. Aquí, incluyo tecnologías básicas de almacenamiento, procesamiento y
comunicaciones, así como arquitecturas más sofisticadas, herramientas de análisis
y tecnologías cognitivas que son los motores de la monetización.
Obviamente, las empresas necesitan tecnología: simplemente no puede escalar
y entregar sin ella. Facebook, Amazon, Netflix y Google, que han tenido éxito con
los datos, han construido plataformas poderosas. Quizás por estas razones, la
mayoría de las empresas comienzan sus incursiones en el espacio de datos
7
Hombre rojo
con tecnología Pero desde mi punto de vista, demasiadas

empresas esperan demasiado de la tecnología y caen en la trampa
de verla como el principal impulsor del éxito.
La tecnología es sólo un componente.
El último elemento es la defensa, esencialmente minimizando
el riesgo. La defensa incluye acciones como cumplir con la ley y
las regulaciones, mantener los datos valiosos a salvo de pérdidas
o robos, cumplir con los requisitos de privacidad, mantener
relaciones con los clientes, igualar los movimientos de un
competidor ágil, mantenerse al frente de un gigante mejor
financiado y mantenerse alejado. de acciones legales y regulatorias
que se derivan del poder monopólico. Es poco probable que gane
mucho dinero con la defensa, pero una mala defensa puede
costarle mucho tiempo, dinero y problemas.
Por lo tanto, los datos requieren una serie de esfuerzos
concertados. Como mínimo, RR. HH. debe encontrar nuevos
talentos y capacitar a todos en la organización, los departamentos
de tecnología deben incorporar nuevas tecnologías e integrarlas
en las infraestructuras existentes, los profesionales de privacidad
y seguridad deben desarrollar nuevas políticas y profundizar en la
organización para hacerlas cumplir. las organizaciones de línea
deben lidiar con una disrupción increíble, todos deben contribuir a
los esfuerzos de calidad de datos y los líderes deben partir en
direcciones nuevas y desconocidas. Además de las complicaciones,

los datos, la tecnología y las personas son tipos de activos muy
diferentes que requieren diferentes estilos de gestión. Es una transición desafiante
8
Muchas empresas han intentado resolver sus problemas de calidad de

datos con la última tecnología como atajo (por ejemplo, sistemas
empresariales, almacenes de datos, nube, cadena de bloques), pero
estos nuevos sistemas no han dado en el blanco.
Es importante recordar que el objetivo no es simplemente obtener
todo lo que pueda de sus datos. Más bien, desea aprovechar sus
datos de manera que generen un nuevo crecimiento, reduzcan el
desperdicio, aumenten la satisfacción del cliente o de otra manera
mejorar el rendimiento de la empresa. Y los "datos" pueden presentar

su mejor oportunidad de lograr tales objetivos. Los programas de
datos exitosos requieren un esfuerzo concertado, sostenido,
adecuadamente informado y coordinado.
PARA LLEVAR
Las empresas están invirtiendo tiempo, energía y recursos en

estrategias de datos, pero muy pocas están viendo los beneficios
sostenidos de estos esfuerzos. Para realmente tener éxito, las
organizaciones deben centrarse en cinco elementos específicos en el espacio de datos:
ÿ Datos de calidad. Las empresas necesitan datos que estén

correctamente definidos, confiables, relevantes para las tareas
en cuestión y estructurados de una manera que sea fácil de
encontrar y comprender.
9
Hombre rojo
ÿ Medios para monetizar esos datos. Las empresas necesitan un busi
modelo de ness para poner esos datos a trabajar de manera rentable.
ÿ Capacidades organizativas. Las empresas necesitan el talento adecuado,
tanto expertos técnicos como habilidades generales de datos en todos los
niveles del organigrama, así como una estructura y una cultura que
permitan compartir los datos.
ÿ Tecnologías para entregar a escala y bajo costo. Las empresas necesitan
tecnologías básicas para el almacenamiento, el procesamiento y la
comunicación de datos, así como herramientas tecnológicas más
sofisticadas, para ayudar a escalar y cumplir con sus esfuerzos de datos.
ÿ Defensa. Las empresas deben minimizar el riesgo siguiendo la ley y las
reglamentaciones, centrándose en la ciberseguridad y la privacidad,
manteniendo relaciones con los clientes y vigilando a la competencia.
NOTA
1. “El recurso más valioso del mundo ya no es el petróleo, sino los datos”,
Economist, 6 de mayo de 2017, https://www.economist.com
/líderes/2017/05/06/el-recurso-más-valioso-del-mundo-es-no
-más-petróleo-pero-datos.
Adaptado de “5 Ways Your Data Strategy Can Fail” en hbr.org, 11 de octubre de 2018
(producto n.º H04KB5).
10
COMPRENSIÓN
LOS TIPOS DE DATOS
Y COMO SON
CAPTURADO
por Hugo Bowne-Anderson
La capacidad
Los datos son unade entender
habilidad y importante
cada vez más comunicar sobre
para el siglo XXI.
ciudadano del siglo, por tres razones. Primero, la ciencia de datos y la
IA están afectando a muchas industrias a nivel mundial, desde la atención
médica y el gobierno hasta la agricultura y las finanzas.
En segundo lugar, gran parte de las noticias se informan a través de los lentes
11
Bowne-Anderson
de datos y modelos predictivos. Y tercero, gran parte de

nuestros datos personales se utilizan para definir cómo
interactuamos con el mundo.
Cuando tantos datos informan las decisiones en tantas

industrias, debe tener una comprensión básica del ecosistema
de datos para ser parte de la discusión. Además de esto, la
industria en la que trabaja probablemente verá el impacto del
análisis de datos.
Incluso si usted mismo no trabaja directamente con datos,
tener esta forma de alfabetización le permitirá hacer las
preguntas correctas y ser parte de la conversación.
Para tomar solo un ejemplo sorprendente, imagine si
hubiera habido una discusión sobre cómo interpretar los
modelos probabilísticos en el período previo a las elecciones
presidenciales de EE. UU. de 2016. FiveThirtyEight, la
publicación de periodismo de datos, le dio a Clinton un 71,4
% de posibilidades de ganar y a Trump un 28,6 % de
posibilidades.1 Como señala Allen Downey, profesor de
informática en Olin College, menos personas se habrían
sorprendido por el resultado si hubieran estado recordó que
la victoria de Trump, según el modelo de FiveThirtyEight, era
un poco más probable que lanzar dos monedas y obtener dos
caras, algo difícil de concebir.2
12
Comprender los tipos de datos y cómo se capturan
De qué hablamos cuando hablamos de datos
Los conceptos relacionados con los datos que las personas no

técnicas deben comprender se dividen en cinco grupos: (i) generación,
recopilación y almacenamiento de datos, (ii) cómo se ven y se sienten
los datos para los científicos y analistas de datos, (iii) intuición
estadística y estadísticas comunes. trampas, (iv) construcción de
modelos, aprendizaje automático e IA, y (v) la ética de los datos, grandes y pequeños.
Los primeros cuatro grupos corresponden aproximadamente a
pasos clave en la jerarquía de necesidades de la ciencia de datos,
según lo propuesto por la científica de datos y asesora de inteligencia
artificial Monica Rogati.3 Aunque aún no se ha incorporado
formalmente a los flujos de trabajo de ciencia de datos, he agregado
la ética de datos como el quinto concepto clave porque la ética debe
ser parte de cualquier conversación sobre datos. Después de todo, la
vida de tantas personas se ve cada vez más afectada por los datos
que producen y los algoritmos que los utilizan. Este artículo se centrará
en los dos primeros conceptos.
Cómo se generan, recopilan y almacenan los datos
Cada vez que interactúa con Internet, ya sea a través de un navegador

web o una aplicación móvil, su actividad se detecta y, en la mayoría
de los casos, se almacena. Para tener una idea de algo de lo que su
13
Bowne-Anderson
navegador web básico puede detectar, echa un vistazo a Clickclickclick
.click, un proyecto que abre una ventana al alcance de la recopilación

pasiva de datos en línea. Si es más aventurero, puede instalar la
extensión del navegador "selfie de datos", que "recopila [s] la misma
información que proporciona a Facebook, sin dejar de respetar su
privacidad". 4
La recopilación de datos no está relegada simplemente al mundo
de las interacciones de computadoras portátiles, teléfonos inteligentes
y tabletas, sino al mucho más amplio Internet de las cosas, un cajón de

sastre para objetos tradicionalmente aliados tontos, como radios y
luces, que pueden ser inteligentes conectándolos a Internet, junto con
cualquier otro dispositivo de recopilación de datos, como rastreadores
de actividad física, Amazon Echo y automóviles autónomos.
Todos los datos recopilados se almacenan en lo que coloquialmente
llamamos "la nube", y es importante aclarar qué significa este término.
En primer lugar, los datos en el almacenamiento en la nube existen en
el espacio físico, al igual que en una computadora o un disco duro
externo. La diferencia para el usuario es que el espacio en el que existe
está en otro lugar, generalmente en granjas de servidores y centros de

datos que pertenecen y son operados por multinacionales, y
generalmente accede a él a través de Internet. Los proveedores de
almacenamiento en la nube se presentan en dos tipos, públicos y
privados. Los servicios de nube pública como Amazon, Microsoft y
Google son responsables de la gestión y el mantenimiento de los datos,
mientras que la responsabilidad de los datos en las nubes privadas sigue siendo de la em
Facebook, por ejemplo, tiene su propia nube privada.
14
Es fundamental reconocer que los servicios en la nube almacenan

datos en un espacio físico y que los datos pueden estar sujetos a
las leyes del país donde se encuentran. El Reglamento general de
protección de datos (GDPR) en la UE afecta la privacidad de los
datos del usuario y el consentimiento en torno a los datos personales.
Otra cuestión apremiante es la seguridad, y necesitamos tener una
conversación más pública y comprensible sobre la seguridad de los
datos en la nube.
La sensación de los datos
Los científicos de datos generalmente encuentran datos en una de

tres formas: (i) datos tabulares (es decir, datos en una tabla, como
una hoja de cálculo), (ii) datos de imágenes o (iii) datos no
estructurados, como texto en lenguaje natural o código html, que
constituye la mayoría de los datos del mundo.
Datos tabulados
El tipo más común que utiliza un científico de datos son los datos
tabulares, que son análogos a una hoja de cálculo. En el artículo de
Robert Chang "Using Machine Learning to Predict Value of Homes
on Airbnb", muestra una muestra de los datos, que aparecen en
una tabla en la que cada fila
15
Bowne-Anderson
es una propiedad particular y cada columna una característica particular
de las propiedades, como la ciudad anfitriona, el precio promedio por
noche y los ingresos de un año. (Tenga en cuenta que los datos rara vez
se entregan directamente del usuario a los datos tabulares; la ingeniería
de datos es un paso esencial para preparar los datos para dicho análisis).
Dichos datos se utilizan para entrenar, o enseñar, modelos de
aprendizaje automático para predecir los valores de vida útil (LTV) de las
propiedades, es decir, cuántos ingresos generarán en el transcurso de la
relación.
Datos de imagen
Los datos de imagen son datos que consisten en, bueno, imágenes.
Muchos de los éxitos del aprendizaje profundo se han producido en el
ámbito de la clasificación de imágenes. La capacidad de diagnosticar
enfermedades a partir de datos de imágenes, como el diagnóstico de
tejido canceroso a partir de tomografías computarizadas y PET combinadas,
y la capacidad de los automóviles autónomos para detectar y clasificar
objetos en su campo de visión son dos de los muchos casos de uso de datos de imágenes.
Para trabajar con datos de imágenes, un científico de datos convertirá una
imagen en una cuadrícula (o matriz) de valores o números de píxeles rojo-
verde-azul y utilizará estas matrices como entradas para sus modelos
predictivos.
dieciséis
Datos no estructurados
Los datos no estructurados son, como cabría suponer, datos que no
están organizados de ninguna de las formas anteriores. Parte del trabajo
del científico de datos es estructurar dichos datos para que puedan ser
analizados. El lenguaje natural, o texto, proporciona el ejemplo más
claro. Un método común para convertir datos textuales en datos

estructurados es representarlos como recuentos de palabras, de modo
que "el gato persiguió al ratón" se convierte en "(gato, 1), (perseguido, 1),
(ratón,1),(el,2)”. Esto se llama modelo de bolsa de palabras y nos

permite comparar textos, calcular distancias entre ellos y combinarlos
en grupos. Bag-of-words funciona sorprendentemente bien para muchas
aplicaciones prácticas, especialmente teniendo en cuenta que no
distingue "construir puentes, no muros" de "construir muros, no puentes".
Parte del juego aquí es convertir datos textuales en números que

podemos introducir en modelos predictivos, y el principio es muy similar
entre la bolsa de palabras y los métodos más sofisticados. Dichos
métodos permiten el análisis de sentimientos ("¿es un texto positivo,
negativo o neutral?") y la clasificación del texto ("¿es un artículo dado
noticias, entretenimiento o deporte?"), entre muchos otros. Para ver un
ejemplo de clasificación de texto, consulte el prototipo Newsie de
Cloudera Fast Forward Labs.
Estos son solo dos de los cinco pasos para trabajar con datos, pero
son puntos de partida esenciales para la alfabetización de datos. Cuando
17
Bowne-Anderson
está tratando con datos, piense en cómo se recopilaron y qué tipo de datos
son. Eso le ayudará a comprender su significado, cuánto confiar en él y
cuánto trabajo debe hacerse para convertirlo en una forma útil.
PARA LLEVAR
La capacidad de comprender y comunicar datos es una habilidad cada vez
más importante. Incluso si no trabaja directamente con datos, la
alfabetización de datos le permitirá hacer las preguntas correctas y ser
parte de la conversación.
ÿ Hay cinco conceptos no técnicos relacionados con los datos
la gente necesita entender:
1. generación, recopilación y almacenamiento de datos
2. cómo se ven y se sienten los datos para la ciencia de datos
tistas y analistas
3. intuición estadística y estadística común
trampas
4. construcción de modelos, aprendizaje automático e IA
5. la ética de los datos
18
ÿ Los datos generalmente se encuentran en una de tres formas: datos
tabulares, datos de imágenes o datos no estructurados. Los datos
tabulares aparecen en tablas u hojas de cálculo. Los datos de imagen
se pueden convertir en valores y utilizar como entradas para modelos
predictivos. Datos no estructurados, como los naturales.
texto de idioma o código html, no está organizado y constituye la mayor
parte de los datos del mundo.
NOTAS
1. Nate Silver, "Actualización de las elecciones finales: hay una amplia

gama de resultados, y la mayoría de ellos son Clinton", FiveThirtyEight, 8 de
noviembre de 2016, https://fivethirtyeight.com/features/final
-actualización-electoral-hay-una-amplia-gama-de-resultados-y-la-mayoría-de
-ellos-suben-clinton/.
2. Allen Downey, “¿Por qué estamos tan sorprendidos?” Probablemente

Over Thinking It (blog), 14 de noviembre de 2016, http://allendowney.blogspot
.com/2016/11/por-que-estamos-tan-sorprendidos.html.
3. Monica Rogati, “The AI Hierarchy of Needs”, Hackernoon, 12 de junio

de 2017, https://hackernoon.com/the-ai-hierarchy-of-needs
-18f111fcc007.
4. Jen Caltrider, "Prepárate para asustarte", The Mozilla Blog, 15 de marzo

de 2018, https://blog.mozilla.org/blog/2018/03/15/prepare
-ser-asustado/.
Adaptado de "Su alfabetización de datos depende de la comprensión de los tipos de datos

y cómo se capturan" en hbr.org, 23 de octubre de 2018 (producto n.º H04M6H).
19
LA MANERA CORRECTA DE
IMPLEMENTAR PREDICTIVO
ANALÍTICA
por Eric Siegel
los altos salarios que cobran, a menudo es

Con la no
gran demanda
es práctico paraactual de científicos
las empresas deendatos
mantenerlos el y
personal. En cambio, muchas organizaciones trabajan para
aumentar las habilidades analíticas de su personal actual, incluido
el análisis predictivo. Pero las organizaciones deben proceder con cautela.
El análisis predictivo es especialmente fácil de equivocarse.
Estos son los primeros tres "no hacer" que su equipo debe
aprender y sus soluciones correspondientes.
21
Siegel
1. No se deje engañar por las palabras de moda: aclare su objetivo
¿Conoces la canción de Joe Jackson, "No puedes conseguir lo que

quieres (hasta que sepas lo que quieres)"? Enciéndelo y deja que sea
tu mantra. Tan de moda como está, la "ciencia de datos" no es un

objetivo comercial o un objetivo de aprendizaje en sí mismo. Esta
palabra de moda no significa nada más específico que “algún uso
inteligente de los datos”. no es necesario
generalmente se refieren a cualquier tecnología, método o propuesta

de valor en particular. Más bien, alude a una cultura, una de personas
inteligentes que hacen cosas creativas para encontrar valor en sus datos.
Es importante que todos tengan esto en cuenta al aprender a trabajar
con datos.
Bajo el amplio paraguas de la ciencia de datos se encuentra el
análisis predictivo, que ofrece la ganancia más procesable que puede

obtener de los datos. En pocas palabras, el análisis predictivo es una
tecnología que aprende de la experiencia (datos) para predecir el
comportamiento futuro de las personas con el fin de impulsar mejores de
decisiones La predicción es el Santo Grial para ejecutar de manera

más efectiva operaciones a gran escala en marketing, riesgo financiero,
detección de fraude y más. El análisis predictivo le permite a su
organización optimizar estas funciones al señalar quién es más probable
que haga clic, compre, mienta, muera, cometa fraude, renuncie a su
trabajo o cancele su suscripción, y,
22
La forma correcta de implementar el análisis predictivo
más allá de predecir personas, al predecir también los resultados más

probables para clientes corporativos individuales e instrumentos fi
nancieros. Estas predicciones informan directamente la acción a
tomar con cada individuo, por ejemplo, mediante la comercialización
a los que tienen más probabilidades de comprar y auditar a los que
tienen más probabilidades de cometer fraude.
En su aplicación a estas funciones comerciales, el análisis
predictivo y el aprendizaje automático (ML) son sinónimos (en otras
áreas, el aprendizaje automático también se extiende a tareas como
el reconocimiento facial que generalmente no se denomina análisis
predictivo). El aprendizaje automático es clave para la predicción. La
acumulación de patrones o fórmulas que ML deriva (aprende) de los
datos, conocida como modelo predictivo, sirve para considerar una
situación única y poner probabilidades en el resultado. Por ejemplo,
el modelo podría tomar como entrada todo lo que se sabe actualmente
sobre un cliente individual y producir como salida la probabilidad de
que esa persona cancele su suscripción.
Cuando comienza a implementar análisis predictivos con su equipo,

se embarca en un nuevo tipo de propuesta de valor, por lo que
requiere un nuevo tipo de proceso de liderazgo.
Necesitará algunos miembros del equipo para convertirse en "máquina
"líderes de aprendizaje" o "gerentes de análisis predictivo", títulos que

significan conjuntos de habilidades mucho más específicos que el
"científico de datos", que puede ser vago y exagerado (pero
23
Siegel
permítales ese título si lo desean, siempre que estén en la misma

página).
2. No lidere con la selección de software: las

habilidades del equipo son lo primero
En 2011, Thomas Davenport tuvo la amabilidad de pronunciar el

discurso principal en la conferencia que fundé, Predictive Analytics
World. “No se trata de las matemáticas, ¡se trata de la gente!” gritó
absolutamente a nuestra audiencia cautivada, más fuerte de lo que
jamás había escuchado desde la escuela secundaria, cuando los
maestros tenían que tomar el control de un salón de clases de adolescentes.
El sorprendente tono de Tom tocó la nota justa (un Re bemol alto,
para ser exactos). Los proveedores de análisis le dirán que su software
es La Solución. ¿Pero la solución a qué? los
El problema en cuestión es optimizar sus operaciones a gran escala.

Y la solución es una nueva forma de hacer negocios que integra el
aprendizaje automático. Por lo tanto, una herramienta de aprendizaje
automático solo sirve para una pequeña parte de lo que debe ser un
proceso organizativo holístico.
En lugar de seguir el ejemplo de un proveedor, prepare a su personal

para administrar la integración del aprendizaje automático como un
esfuerzo empresarial y luego permítales determinar una elección más
informada de software de análisis durante una etapa posterior del

proyecto.
24
3. No salte al procesamiento de números:

Planificar estratégicamente la implementación
El error más común que descarrila los proyectos de análisis

predictivo es saltar al aprendizaje automático antes de establecer
un camino hacia la implementación operativa. El análisis predictivo
no es una tecnología que simplemente compre y conecte. Es un
paradigma organizacional que debe cerrar la brecha entre la
cultura cuantitativa y la empresarial mediante un proceso
colaborativo guiado conjuntamente por partes interesadas
estratégicas, operativas y analíticas.
Cada proyecto de análisis predictivo sigue una serie de pasos

relativamente estándar y establecidos que comienzan con el
establecimiento de cómo su negocio lo implementará y luego
trabaja hacia atrás para ver qué necesita predecir y qué datos
necesita para predecirlo, de la siguiente manera:
1. Establecer el objetivo comercial. Decida cómo se integrará

el modelo predictivo para tener un impacto positivo activo
en las operaciones existentes, por ejemplo, dirigiendo de
manera más efectiva las campañas de marketing de
retención de clientes.
2. Defina un objetivo de predicción específico para servir al

objetivo comercial. Para esto, debe tener un buy-in de
25
Siegel
partes interesadas del negocio, como el personal de marketing,
que están dispuestos a cambiar su orientación en consecuencia.
Aquí hay un ejemplo: "¿Qué clientes actuales con una permanencia
de al menos un año y que han comprado más de $500 hasta la
fecha cancelarán dentro de tres meses y no volverán a unirse por
otros tres meses después?" En la práctica, las tácticas comerciales y las
restricciones pragmáticas a menudo significarán que el objetivo de
predicción debe definirse aún más específicamente que eso.
3. Prepare los datos de entrenamiento sobre los que operará el
aprendizaje automático. Esto puede ser un cuello de botella
significativo, generalmente se espera que requiera el 80% de la carga
de trabajo manual del proyecto. Es una tarea de programación de
bases de datos, mediante la cual sus datos existentes en su forma
actual se reajustan para las necesidades del software de aprendizaje

automático.
4. Aplicar el aprendizaje automático para generar el modelo predictivo.
Esta es la parte de la "ciencia de cohetes", pero no es la que
requiere más tiempo. Es la etapa en la que cuenta la elección de la
herramienta de análisis, pero, inicialmente, puede probar y comparar
opciones de software con licencias de evaluación gratuitas antes de
tomar una decisión sobre cuál comprar (o qué herramienta gratuita de
código abierto usar).
26
5. Implemente el modelo. Integrar sus predicciones en ex

operaciones de listado. Por ejemplo, dirija una campaña
de retención al 5% superior de los clientes para los que
una respuesta afirmativa a la pregunta "el cliente puede
cel” definida en el paso 2 es la más probable.
Hay dos cosas que debe saber sobre estos pasos antes de
seleccionar las opciones de capacitación para sus líderes de
análisis predictivo. En primer lugar, estos cinco pasos implican
un extenso retroceso e iteración. Por ejemplo, solo al ejecutar el
paso 3 podría quedar claro que no hay suficientes datos para el
objetivo de predicción establecido en el paso 2, en cuyo caso se
debe revisar y modificar el paso anterior.
En segundo lugar, al menos para sus primeros proyectos
piloto, deberá contratar a un consultor externo de aprendizaje
automático para las partes clave del proceso. Normalmente, su
personal no debería esforzarse por convertirse de inmediato en
practicantes autónomos del aprendizaje automático central, es
decir, el paso 4. Si bien es importante que los líderes de proyecto
aprendan los principios fundamentales detrás de cómo funciona
la tecnología, para comprender tanto su requisitos de datos y el
significado de las probabilidades predictivas que genera: un
experto cuantitativo con proyectos previos de análisis predictivo
en su cartera debe intervenir para el paso 4 y también ayudar a
guiar los pasos 2 y 3. Esto puede ser
27
Siegel
un compromiso relativamente ligero que mantiene la rentabilidad del
proyecto en general, ya que seguirá ejecutando internamente los pasos que
requieren más tiempo.
Buena suerte y feliz predicción.
PARA LLEVAR
Muchas organizaciones trabajan para aumentar las habilidades analíticas
de su personal existente, incluso en análisis predictivo, en lugar de contratar
costosos talentos en ciencia de datos. Para hacerlo de manera efectiva, las
organizaciones deben:
ÿ Aclarar los objetivos de lo que el equipo necesita
aprender. Concéntrese en un conjunto de habilidades o funciones
específicas, como convertirse en un "gerente de análisis predictivo",
en lugar de algo como "científico de datos", que puede ser
impreciso.
ÿ Enfatice las habilidades antes de mirar la selección de software.
Una herramienta de aprendizaje automático solo sirve una
pequeña parte de lo que debe ser un proceso organizacional más
grande. Primero prepare a los equipos para administrar la
integración del aprendizaje automático y posponga la selección del
software de análisis hasta más tarde.
28
ÿ Evite saltar al procesamiento de números. Cada

proyecto de análisis predictivo sigue una serie de
pasos que comienzan primero estableciendo cómo
se implementará y luego trabajando hacia atrás para
ver qué necesita predecir y qué datos necesita para
predecirlo.
ÿ Los proyectos piloto probablemente requerirán una

consultor de aprendizaje automático para partes clave del
proceso. Un experto cuantitativo debe intervenir para
ayudar a definir el objetivo de predicción, preparar los
datos de entrenamiento y aplicar el aprendizaje automático
para generar el modelo.
Adaptado de "3 errores comunes que pueden descarrilar los esfuerzos de análisis predictivo de su equipo" en
hbr.org, 5 de octubre de 2018 (producto #H04KHM).
29
QUE BUEN DATO

LOS ANALISTAS HACEN
por Cassie Kozyrkov
El máximo trofeo desorprendernos:

No debería alquiler en ciencia de datos es
un científico dedifícil
datosde"full-stack"
alcanzar, y eso
tiene dominio del aprendizaje automático, las estadísticas y el

análisis. Cuando los equipos no pueden conseguir un erudito tres en
uno, se fijan en atraer el premio más impresionante entre los
especialistas de un solo origen.
¿Cuál de esas habilidades se lleva el podio?
La moda actual en la ciencia de datos favorece la sofisticación
llamativa con un toque de ciencia ficción, lo que hace que la IA y el
aprendizaje automático sean los preferidos del mercado laboral. Los
retadores alternativos para el puesto alfa provienen de las estadísticas, gracias.
31
Kozyrkov
a una reputación de un siglo de rigor y superioridad matemática.

¿Qué pasa con el análisis?
Analytics como ciudadano de segunda clase
Si su habilidad principal es el análisis (o la extracción de datos o la

inteligencia empresarial), es probable que su confianza en sí mismo
haya sufrido un revés, ya que el aprendizaje automático y las
estadísticas se han vuelto apreciados dentro de las empresas, el
mercado laboral y los medios.
Pero lo que los no iniciados rara vez entienden es que, aunque

estas tres profesiones pueden pertenecer a la ciencia de datos, son
completamente diferentes entre sí. Pueden usar algunos de los
mismos métodos y ecuaciones, pero ahí es donde termina la similitud.
Lejos de ser una versión menor de las otras razas de ciencia de
datos, los buenos analistas son un requisito previo para la efectividad
en sus esfuerzos de datos. Es peligroso que renuncien a ti, pero eso
es exactamente lo que harán si los subestimas.
En lugar de pedirles a los analistas que desarrollen sus habilidades

estadísticas o de aprendizaje automático, considere alentarlos a
buscar primero las alturas de su propia disciplina. En ciencia de
datos, la excelencia en un área supera a la mediocridad en dos.
Entonces, examinemos qué significa ser verdaderamente excelente
en cada una de las disciplinas de la ciencia de datos, qué valoran estas diferentes
32
Lo que hacen los grandes analistas de datos
traen los expertos y qué rasgos de personalidad se requieren para
sobrevivir a cada trabajo. Hacerlo ayudará a explicar por qué los analistas
son valiosos y cómo las organizaciones deberían usarlos.
Excelencia en Estadística: Rigor
Los estadísticos son especialistas en llegar a conclusiones más allá de
sus datos de forma segura: son su mejor protección contra el engaño en
un mundo incierto. Para ellos, inferir algo descuidadamente es un pecado
mayor que dejar tu mente como una pizarra en blanco, así que espera
que un buen estadístico ponga freno a tu exuberancia. Se preocupan
profundamente por si los métodos aplicados son adecuados para el
problema y se angustian por saber qué inferencias son válidas a partir de
la información disponible.
¿El resultado? Una perspectiva que ayuda a los líderes a tomar

decisiones importantes con control de riesgos. En otras palabras,
usan datos para minimizar la posibilidad de que llegues a una conclusión

imprudente.
Excelencia en aprendizaje automático: rendimiento
Podría ser un ingeniero de inteligencia artificial/aprendizaje automático
aplicado si su respuesta a "Apuesto a que no podría construir un modelo que
33
Kozyrkov
pasa las pruebas con una precisión del 99,99999 %” es “Mírame”. Con
las habilidades de codificación para construir tanto prototipos como
sistemas de producción que funcionen y la resistencia obstinada para
fallar cada hora durante varios años si eso es lo que se necesita, los
especialistas en aprendizaje automático saben que no encontrarán la
solución perfecta en un libro de texto. En su lugar, participarán en un
maratón de prueba y error. Tener una gran intuición sobre cuánto tiempo
les tomará probar cada nueva opción es una gran ventaja y es más
valioso que un conocimiento profundo de cómo funcionan los algoritmos
(aunque es bueno tener ambos). El rendimiento significa más que borrar
una métrica: también significa modelos confiables, escalables y fáciles
de mantener que funcionan bien en producción. La excelencia en
ingeniería es imprescindible.
¿El resultado? Un sistema que automatiza una tarea complicada lo
suficientemente bien como para pasar la estricta barra de pruebas de su
estadístico y ofrecer el rendimiento audaz que exige un líder empresarial.
Ancho contra profundo
Lo que tienen en común los dos roles anteriores es que ambos brindan
soluciones de alto esfuerzo a problemas específicos.
Si no vale la pena resolver los problemas que abordan, terminará
desperdiciando su tiempo y su dinero. Un lamento frecuente entre los
líderes empresariales es: "Nuestro grupo de ciencia de datos usa
menos". Y el problema generalmente radica en la falta de experiencia en
análisis.
34
Los estadísticos y los ingenieros de aprendizaje automático son

trabajadores estrechos y profundos, la forma de un agujero de conejo,
por cierto, por lo que es muy importante señalarles los problemas que
merecen el esfuerzo. Si sus expertos están resolviendo cuidadosamente
los problemas equivocados, su inversión en ciencia de datos sufrirá
bajos rendimientos. Para asegurarse de que puede hacer un buen uso
de los expertos limitados y profundos, debe asegurarse de que ya tiene
el problema correcto o necesita un enfoque amplio y superficial para
encontrar uno.
Excelencia en Analítica: Velocidad
Los mejores analistas son codificadores ultrarrápidos que pueden
navegar rápidamente por vastos conjuntos de datos, encontrando y
sacando a la superficie información potencial más rápido de lo que otros
especialistas pueden decir "pizarra". Su estilo de codificación medio
descuidado desconcierta a los ingenieros de software tradicionales,
pero los deja en el polvo. La velocidad es su mayor virtud, seguida de
cerca por la capacidad de identificar gemas potencialmente útiles. El

dominio de la presentación visual de la información también ayuda: las
tramas bellas y efectivas permiten que la mente extraiga la información
más rápido, lo que vale la pena en tiempo para obtener conocimientos potenciales.
El resultado es que la empresa se toma el pulso y se fija en
incógnitas previamente desconocidas. Esto genera la inspiración que

ayuda a los tomadores de decisiones a seleccionar misiones valiosas
para enviar a los estadísticos e ingenieros de aprendizaje automático.
35
Kozyrkov
adelante, salvándolos de excavaciones matemáticamente impresionantes

de madrigueras de conejos inútiles.
¿Tonterías descuidadas o narraciones estelares?
“Pero”, objetan los estadísticos, “la mayoría de sus supuestas vistas son
tonterías”. Con eso quieren decir que los resultados de su exploración
pueden reflejar solo ruido. Tal vez, pero hay más en la historia.
Los analistas son narradores de datos. Su mandato es resumir hechos
interesantes y usar datos para inspirarse. En algunas organizaciones,
esos hechos y esa inspiración se convierten en insumos para los
tomadores de decisiones humanos. Pero en operaciones de datos más
sofisticadas, la inspiración basada en datos se marca para un seguimiento
estadístico adecuado.
Los buenos analistas tienen un respeto inquebrantable por la única
regla de oro de su profesión: no sacar conclusiones más allá de los datos
(y evitar que su audiencia también lo haga). Con este fin, una forma de
detectar a un buen analista es que use un lenguaje suavizado y de
cobertura. Por ejemplo, no “concluimos” sino “estamos inspirados para
maravillarnos”. También desalientan el exceso de confianza de los líderes
al enfatizar una multitud de interpretaciones posibles para cada idea.
Mientras los analistas se atengan a los hechos, diciendo solo "Esto es
lo que hay aquí", y no se tomen a sí mismos demasiado en serio,
36
el peor crimen que podrían cometer es hacerle perder el tiempo a

alguien cuando le pasan sus hallazgos.
Si bien se requieren habilidades estadísticas para probar hipótesis,
los analistas son su mejor opción para formular esas hipótesis en
primer lugar. Por ejemplo, un analista podría decir algo como “Es solo
una correlación, pero sospecho que podría estar impulsada por . . .”
y luego explicar por qué piensan eso. Esto requiere una fuerte
intuición acerca de lo que podría estar pasando más allá de los datos
y las habilidades de comunicación para transmitir las opciones al
tomador de decisiones, quien normalmente toma las decisiones sobre
qué hipótesis (de muchas) son lo suficientemente importantes como
para justificar el esfuerzo de un estadístico. A medida que los
analistas maduren, empezarán a acostumbrarse a juzgar lo que es
importante además de lo que es interesante, lo que permitirá a los
tomadores de decisiones alejarse del papel de intermediario.
De las tres razas, los analistas son los herederos más probables
del trono de decisión. Debido a que la experiencia en la materia
contribuye en gran medida a ayudarlo a detectar patrones interesantes
en sus datos más rápido, los mejores analistas se toman en serio la
familiarización con el dominio. No hacerlo es una bandera roja. A
medida que su curiosidad los impulse a desarrollar un sentido para el
negocio, espere que su producción cambie de un revoltijo de falsas
alarmas a un conjunto de ideas seleccionadas con sensatez que es
más probable que les interese a los tomadores de decisiones.
37
Kozyrkov
Analítica para la toma de decisiones
Para evitar perder el tiempo, los analistas deben exponer la historia

que están tentados a contar y analizarla desde varios ángulos con
investigaciones de seguimiento para ver si se sostiene antes de llevarla
a los tomadores de decisiones. El tomador de decisiones debería
entonces funcionar como un filtro entre el análisis de datos exploratorios
y el rigor estadístico. Si alguien con responsabilidad de decisión
considera que la exploración del analista es prometedora para una
decisión que debe tomar, entonces puede autorizar a un estadístico a
dedicar el tiempo a realizar un análisis más riguroso. (Este proceso
indica por qué simplemente decirles a los analistas que mejoren en
estadísticas pierde el punto de una manera importante. No solo las dos
actividades están separadas, sino que otra persona se sienta entre
ellas, lo que significa que no es necesariamente más eficiente que una
persona haga ambas cosas. cosas.)
Análisis para aprendizaje automático e IA
Los especialistas en aprendizaje automático ponen un montón de

entradas de datos potenciales a través de algoritmos, modifican la
configuración y siguen iterando hasta que se producen los resultados correctos.
Si bien puede parecer que el análisis no tiene ningún papel aquí, en la
práctica, una empresa a menudo tiene demasiados ingredientes
potenciales para meter en la licuadora todos a la vez. De una sola mano
38
filtrar a un conjunto prometedor de entradas para probar es experiencia
en el dominio: pregúntele a un humano con opiniones sobre cómo
podrían funcionar las cosas. Otra forma es a través de análisis. Para
usar la analogía de la cocina, el ingeniero de aprendizaje automático es
excelente para jugar en la cocina, pero en este momento está parado
frente a un almacén enorme y oscuro lleno de ingredientes potenciales.
Podrían comenzar a agarrarlos al azar y arrastrarlos de regreso a sus
cocinas, o podrían enviar primero a un velocista armado con una linterna
a través del almacén. Tu analista es el velocista; su capacidad para
ayudarlo rápidamente a ver y resumir lo que es un superpoder para su
proceso.
Los peligros de subestimar a los analistas
Un analista excelente no es una versión de mala calidad del ingeniero
de aprendizaje automático; su estilo de codificación está optimizado
para la velocidad, a propósito. Tampoco son malos estadísticos, ya que
no se ocupan en absoluto de la incertidumbre; tratan de hechos. El
trabajo principal del analista es decir: “Esto es lo que hay en nuestros
datos. No es mi trabajo hablar sobre lo que significa, pero tal vez inspire
al tomador de decisiones a seguir la pregunta con un estadístico”.
Si enfatiza demasiado las habilidades de contratación y recompensa
en el aprendizaje automático y las estadísticas, perderá a sus analistas.
¿Quién te ayudará a descubrir qué problemas valen la pena?
39
Kozyrkov
resolviendo entonces? Te quedarás con un grupo de miserables

expertos a los que se les sigue pidiendo que trabajen en proyectos
inútiles o tareas de análisis para los que no se inscribieron. Tus
datos quedarán inútiles.
En caso de duda, contrate analistas antes que otros roles.

Aprécielos y recompénselos. Anímelos a crecer a las alturas de su
carrera elegida (y no la de otra persona). Del elenco de personajes
mencionados en esta historia, los únicos que todo negocio necesita
son tomadores de decisiones y analistas. Los demás solo podrás
usarlos cuando sepas exactamente para qué los necesitas.
Comience con análisis y siéntase orgulloso de su nueva habilidad

para abrir los ojos a la rica y hermosa información que tiene frente
a usted. La inspiración basada en datos es algo poderoso.
PARA LLEVAR
Las empresas quieren científicos de datos que se especialicen en

aprendizaje automático, estadísticas y análisis. Pero cuando esta
experiencia no está disponible, los gerentes de contratación deben
buscar analistas. Los analistas de datos brindan claras ventajas a
las organizaciones.
40
ÿ Los estadísticos ofrecen rigor y los especialistas en aprendizaje
automático brindan rendimiento. Pero los analistas trabajan
rápido: su estilo de codificación está optimizado para la velocidad.

y son maestros de la visualización de datos.
ÿ Los analistas son narradores, resumen hechos interesantes y usan
datos como inspiración. Cuestionan los datos, preguntando qué
podría estar indicando la información, en lugar de presentar
conclusiones.
Son la mejor apuesta para encontrar problemas para resolver e
hipótesis para probar.
ÿ Los analistas miran la información desde varios ángulos
y profundice en él antes de llevarlo a los tomadores de decisiones.

El tomador de decisiones entonces hace la llamada
en cuanto a si es necesario un análisis más riguroso,
generalmente realizado por un estadístico.
Adaptado de "Qué hacen los grandes analistas de datos y por qué cada organización los
necesita" en hbr.org, 4 de diciembre de 2018 (producto #H04OLF).
41
QUÉ SON LOS DATOS Y

NO ES BUENO PARA
por Joel Shapiro
Los líderes
análisisde hoy recurren
avanzado cada vez más
con la esperanza a big data
de resolver y publicidad.
sus problemas más
problemas apremiantes, ya sea una caída de clientes habituales,
un cambio en los patrones de consumo o un intento de llegar a nuevos
mercados. El pensamiento predominante es que más datos es mejor,
especialmente dados los avances en herramientas y tecnologías como
la inteligencia artificial y el análisis predictivo.
Pero cuando se trata de descubrir las motivaciones

y la razón detrás de los comportamientos individuales dentro de un
sistema social, los datos no pueden hacer mucho. Puede guiar el
43
Shapiro
descubrimiento de un problema, pero no determinará la solución.

En otras palabras, el análisis de datos puede decirle lo que está
sucediendo, pero rara vez le dirá por qué. Para reunir de manera
efectiva el qué y el por qué (un problema y su causa, a fin de
encontrar una solución probable), los líderes deben combinar las
capacidades avanzadas de big data y análisis con enfoques
cualitativos comprobados, como entrevistar a grupos de individuos,
conducción de grupos focales y observación en profundidad.
En mis conversaciones con líderes empresariales sobre cómo

usan el análisis de datos, el enfoque principal está en los sistemas
técnicos a gran escala. Aquí es donde el big data y el análisis
realmente pueden brillar, en aplicaciones como el mantenimiento
predictivo. Las empresas industriales, desde los ferrocarriles hasta
los campos petrolíferos, utilizan análisis predictivos para garantizar
operaciones fluidas; en lugar de esperar a que ocurra una falla
mecánica, el mantenimiento predictivo previene problemas y evita el

tiempo de inactividad.
Sin embargo, lo que funciona con locomotoras y plataformas

petroleras puede ser mucho menos efectivo cuando se trata de influir
en el comportamiento de las personas. Con los sistemas sociales y
los comportamientos generados por grandes grupos de individuos —
quién hace qué y en qué condiciones— es mucho más difícil identificar
tificar soluciones a los problemas. Esto apunta a la deficiencia de

usar solo el análisis de datos para resolver problemas que surgen
del comportamiento individual.
44
Para qué sirven y para qué no sirven los datos
Eso no quiere decir que los grandes datos y el análisis no jueguen

un papel importante. Más bien, al comprender las fortalezas y
limitaciones del uso de Big Data de esta manera, los líderes pueden
emplear las estrategias más efectivas para identificar el qué y el por
qué de un problema y cómo resolverlo, y pueden ayudar a sus equipos
a aprender a hacer lo mismo. Aquí hay cinco consideraciones
importantes que todos los que trabajan con big data deben comprender:
1. Los datos pueden determinar el "qué" de un problema. El análisis

de datos es útil para determinar patrones de comportamiento,
tanto positivos como negativos, por ejemplo, el éxito de una
organización o empresa en motivar a las personas a participar
en ciertas actividades. Los análisis pueden revelar, por ejemplo,
que es más o menos probable que cierto tipo de cliente compre
un producto en particular o renueve una suscripción o
membresía. El análisis de datos sofisticado puede revelar
patrones entre grupos grandes y subgrupos más pequeños.
2. Los datos rara vez revelan el "por qué". En conjunto, los

comportamientos individuales aparecen en los datos,
revelando patrones entre ciertos grupos y grupos demográficos.
Pero el hecho de que los datos muestren, digamos, lo que la
mujer típica de 33 años que gana menos de $100,000 al año
y que tiene hijos probablemente haga o deje de hacer, eso no
revelará el por qué. Los datos pueden incitar a las personas a
45
Shapiro
hacer suposiciones; por ejemplo, que un punto de precio era
demasiado alto para un cliente en particular, o que un servicio de
suscripción relacionado con una actividad de ocio (por ejemplo, una
membresía en un gimnasio) ya no atrae a un consumidor que tiene
limitaciones de tiempo.
También se pueden hacer suposiciones sobre las causas
fundamentales de los comportamientos, como por qué los millennials
prefieren empresas que priorizan el impacto social o por qué un
subgrupo particular de empleados tiene un desempeño inferior.
Sin embargo, las suposiciones son solo conjeturas sobre la razón

de ser de los comportamientos de los demás, no una base confiable.
para determinar la mejor solución para abordar un problema.
3. El “por qué” necesita un enfoque cualitativo. Si el
grupo social involucra clientes actuales, clientes potenciales,
proveedores o cualquier otra población, la única forma de descubrir
el "por qué" es participar con ellos en una investigación cualitativa,
como entrevistas, grupos focales y observación. El resultado es un
proceso iterativo que comienza con el "quién" y el "qué", que los
datos pueden revelar, y continúa con el siguiente paso de
diagnosticar el "por qué", que los datos normalmente no pueden
revelar. En el pasado, las empresas a menudo contrataban expertos
en investigación cualitativa para ayudar a determinar cómo y por qué
los clientes usan par.
46
productos particulares o gravitó hacia ciertas marcas.
Sin embargo, hoy en día, muchos líderes empresariales intentan
utilizar big data y análisis para automatizar todo el proceso. Pero las
deficiencias del uso de datos para el diagnóstico de comportamientos
sociales se revelan rápidamente. Por ejemplo, el análisis de redes sociales
puede identificar personas influyentes para segmentos de clientes bien
definidos. Pero el verdadero desafío es saber por qué los clientes se
sienten atraídos por esos influencers para diseñar estrategias efectivas
para atraer a los clientes a comprar más o convertirse ellos mismos en
defensores de la marca.
4. Debe tener en cuenta los factores temporales y de otro tipo. Otro
Los factores también influyen en el comportamiento, lo que hace que
las soluciones sean más difíciles de encontrar y menos probable que
sigan siendo eficaces a lo largo del tiempo. Por ejemplo, hace varios
años, un club de automovilistas descubrió que los automovilistas que habían
los tiempos de espera más largos que el promedio al lado de la carretera
tenían menos probabilidades de renovar sus suscripciones.
Con base en esos datos, la empresa enfatizó la necesidad de reducir
los tiempos de espera. Desde entonces, la proliferación de teléfonos
inteligentes y otros dispositivos ha brindado a las personas formas de
ocuparse, alterando su percepción de cuánto tiempo están esperando.
Como resultado, centrarse solo en el tiempo de espera hoy
47
Shapiro
(a diferencia de otros factores como el precio y la calidad) ha
demostrado ser menos efectivo para reducir la rotación entre los
miembros del club de automóviles.
5. Necesita pruebas rigurosas para encontrar la solución adecuada. Con
Combinando el análisis de big data y la investigación cualitativa a menor
escala, las organizaciones pueden obtener una visión más profunda de
los problemas y sus causas, lo que luego puede ayudar a informar
soluciones que probablemente produzcan el resultado deseado. La
mejor manera de conocer la eficacia de una solución es realizar pruebas
aleatorias con dos grupos similares: uno al que se le ofrece la solución
y otro al que no. El análisis de datos de esta experimentación revelará
si la solución realmente resuelve el problema. Si bien los experimentos
aleatorios pueden ser costosos y complejos, el análisis de datos
involucrado completa el proceso y, a menudo, se paga solo en términos
de retorno de la inversión.
El análisis de datos es más efectivo como parte de un proceso general
para identificar, explorar y probar, pero no es la única herramienta para la tarea.
Resolver los comportamientos sociales aún requiere una exploración cualitativa
a pequeña escala para involucrar a las personas y aprender más sobre lo que
realmente motiva los comportamientos que aparecen en los datos.
48
PARA LLEVAR
Los datos solo pueden hacer mucho. Puede decirle lo que está pasando,
pero rara vez le dirá por qué. Para unir los dos, los líderes deben combinar
las capacidades avanzadas de big data y análisis con enfoques cualitativos.
ÿ Los patrones individuales pueden aparecer en los datos,
revelando el “qué” de un problema. Al ver estos patrones, las
personas pueden hacer suposiciones sobre las causas
fundamentales del comportamiento. Pero estas suposiciones son
solo conjeturas y no son confiables para determinar una solución.
ÿ Para descubrir el “por qué”, emprender una investigación cualitativa.
búsqueda, como la realización de entrevistas y grupos focales
y el uso de la observación en profundidad. Considere también

qué otros factores que no se pueden ver en el
los números pueden estar afectando los datos.
ÿ Finalmente, debe realizar pruebas aleatorias.
Esta experimentación le permitirá ver si su solución propuesta
podría resolver el problema.
Adaptado de "Ayuda a tu equipo a comprender para qué sirven y para qué no sirven los datos" en hbr.org, 12 de octubre de 2018
(producto n.º H04L9Y).
49
Sección 2
CONVERTIRSE EN UN
ANALÍTICA
IMPULSADO
ORGANIZACIÓN
PRIORIZAR CUÁL
HABILIDADES DE DATOS SU
NECESIDADES DE LA EMPRESA
por Chris Littlewood
acción—
Habilidades de son el motor
datos: de las economías
las habilidades modernas.
para convertir los C.A
datos en conocimiento y
De acuerdo con el Foro Económico Mundial, los trabajos enfocados en la
computación y las matemáticas están mostrando el mayor crecimiento, a expensas
de los roles menos cuantitativos (ver figura 6-1).1
Entonces, ya sea para maximizar el papel que desempeñamos en el crecimiento
económico impulsado por los datos, o simplemente para garantizar que nosotros y
53
Poca madera
FIGURA 6-1
Los trabajos basados en habilidades de datos están mostrando el crecimiento más fuerte
Tasa de crecimiento anual compuesta promedio del empleo %, 2015-2020
Categoría de Trabajo –4% –2 0 +2 +4
Informática y
matemática
Arquitectura
e ingeniería
administración
Operaciones
comerciales y financieras
Ventas y
relacionado
Instalación y
mantenimiento
Construcción y
extracción
Artes, diseño, deportes,

entretenimiento y medios
Fabricación
y producción
oficina y
administrativo
Fuente: Encuesta “El futuro de los trabajos” del Foro Económico Mundial, 2016
nuestros equipos siguen siendo relevantes y empleables, debemos pensar
en la transición a un conjunto de habilidades más sesgado en datos. Pero,

¿en qué habilidades debemos centrarnos? ¿Podemos la mayoría de nosotros
¿Esperamos seguir el ritmo de esta tendencia nosotros mismos, o sería
mejor retirarnos a áreas de la economía cada vez más reducidas, dejando
las habilidades de datos a los especialistas?
54
Priorice qué habilidades de datos necesita su empresa
Para ayudar a responder esta pregunta, reiniciamos y adaptamos un
enfoque que adoptamos para priorizar las habilidades de Microsoft Excel
de acuerdo con los beneficios y costos de adquirirlas. Aplicamos un
análisis de tiempo-utilidad al campo de las habilidades de datos.
“Tiempo” es tiempo para aprender, un indicador del costo de oportunidad
para usted o su equipo de adquirir la habilidad. “Utilidad” es cuánto es
probable que necesite la habilidad, un indicador del valor que agrega a la
corporación y sus propias perspectivas de carrera.
Combine el tiempo y la utilidad y obtendrá una matriz simple de dos
por dos con cuatro cuadrantes, como se muestra en la figura 6-2:
• Aprender: gran utilidad, poco tiempo para aprender. Esta es una
fruta al alcance de la mano que agregará valor para usted y su
equipo rápidamente.
• Plan: alta utilidad, alto tiempo de aprendizaje. Si bien esto es
valioso, adquirir esta habilidad significará priorizarlo antes que
otros aprendizajes y actividades. Tienes que estar seguro de que

vale la pena la inversión.
• Examinar: poca utilidad, poco tiempo para aprender. tu no
Necesito esto ahora, pero es fácil de adquirir, así que esté atento
en caso de que aumente su utilidad.
• Ignorar: poca utilidad, mucho tiempo para aprender. tu no

tener tiempo para esto.
55
Poca madera
FIGURA 6-2
¿Qué habilidades de datos debe aprender primero?
Aproveche al máximo su limitado tiempo de aprendizaje.
Plan Aprender
Pasar por alto Navegar
Pérdida de tiempo No requiere mucho tiempo

adquirir adquirir
Fuente: Filtrado
Para ayudarlo a decidir dónde enfocar su esfuerzo de desarrollo,

hemos trazado las habilidades de datos clave contra este marco.
Hicimos una lista larga de habilidades asociadas con roles como
analista de negocios, analista de datos, científico de datos, ingeniero
de aprendizaje automático o hacker de crecimiento. Luego, los
priorizamos para el impacto en función de la frecuencia con la que
aparecen en las ofertas de trabajo, los informes de prensa y los
comentarios de nuestros propios alumnos. Y finalmente, juntamos esto con
56
información sobre lo difícil que es aprender las habilidades, usando

el tiempo de competencia como métrica y evaluando la profundidad
y amplitud de cada habilidad.
Hicimos esto por técnicas, en lugar de tecnologías específicas:

por lo tanto, para aprendizaje automático en lugar de Ten sorFlow,
para inteligencia comercial en lugar de Microsoft Excel, etc. Una
vez que haya resuelto qué técnicas son prioritarias en su contexto,
puede trabajar determinar qué software específico y habilidades
asociadas los respaldan mejor.
También puede aplicar este marco a su propio contexto, donde
el impacto de las habilidades de datos puede ser diferente.
La Figura 6-3 muestra nuestros resultados.
En Filtered, descubrimos que construir esta matriz nos ayudó a

tomar decisiones difíciles sobre dónde enfocarnos: a primera vista,
todas las habilidades en nuestra larga lista parecían valiosas. Pero
siendo realistas, solo podemos esperar mover la aguja en unos
pocos, al menos en el corto plazo. Concluimos que el mejor retorno
de la inversión en habilidades para nuestra empresa estaba en la

visualización de datos, en base a su alta utilidad y bajo tiempo de
aprendizaje. Ya actuamos en nuestro análisis y recién comenzamos
a usar Tableau para mejorar la forma en que presentamos el
análisis de uso a los clientes.
Pruebe la matriz en su propia empresa para ayudar a su equipo
a determinar qué habilidades de datos son más importantes para
que comiencen a aprender ahora.
57
Poca madera
FIGURA 6-3
Un ejemplo de cómo trazar habilidades de datos en una matriz de

aprendizaje de 2 × 2
Cómo una empresa trazó sus propias necesidades internas de aprendizaje.
Plan Aprender
Datos
Inteligencia Ciencias
artificial Visualización de datos
Aprendizaje Seguridad de información

automático
Inteligencia
Estadístico de negocios
Programación predictiva
analítica
hojas de calculo
Matemáticas
Estadísticas Análisis Limpieza de datos

financiero
Almacenamiento de datos Navegar

Pasar por alto
Pérdida de tiempo No requiere mucho tiempo

adquirir adquirir
Fuente: Análisis de necesidades de aprendizaje de datos internos por Filtered
PARA LLEVAR
Cuando se trata de aumentar las capacidades de datos

dentro de su empresa, no puede aprender todo a la vez.
Cada organización tiene necesidades únicas y pensar en el tiempo
58
se necesita aprender cada habilidad y su utilidad lo ayudará a decidir en qué áreas
enfocarse primero. Puede trazarlos en una matriz de dos por dos y ordenarlos en
cuatro grupos:
ÿ Aprender: estas habilidades tienen una gran utilidad y poco tiempo para
aprender. Las habilidades en este cuadrante agregarán valor para usted y
su equipo rápidamente.
ÿ Plan: Estas habilidades también tienen una gran utilidad pero requieren tiempo
para aprender. Adquirir estas habilidades significará priorizarlas sobre otras,
por lo que debe asegurarse de que valga la pena la inversión.
ÿ Navegar: Las habilidades en este cuadrante tienen poca utilidad y poco tiempo
para aprender. Es probable que no los necesite inmediatamente, pero son
fáciles de adquirir más tarde, si es necesario.
ÿ Ignorar: Estas habilidades tienen poca utilidad y toma tiempo aprenderlas. No
tienes tiempo para estos y puedes omitirlos.
NOTA
1. Foro Económico Mundial, “Employment Trends” en el informe

The Future of Jobs, http://reports.weforum.org/future-of-jobs-2016
/empleo-tendencias/.
Adaptado de "Priorizar qué habilidades de datos necesita su empresa con esta matriz de 2 × 2" en
hbr.org, 18 de octubre de 2018 (producto #H04KOL).
59
CÓMO UN ALEMÁN
FABRICACIÓN
CREACIÓN DE LA EMPRESA
SU LABORATORIO DE ANALÍTICA
de Niklas Goby, Tobias Brandt y Dirk Neumann
D urante los últimos

reconocer que laaños, la mayoría
capacidad de lasyempresas
de recopilar analizar han venido
los datos que generan se han convertido en una fuente clave de
ventaja competitiva.
ZF, un proveedor mundial de automóviles con sede en Alemania, no
fue una excepción. Las startups digitales habían comenzado a producir
61
Gobio, Brandt y Neumann
productos virtuales con los que ZF no sabía cómo competir, y los ingenieros
de logística, operaciones y otras funciones se dieron cuenta de que sus
enfoques tradicionales no podían manejar los problemas complejos que
enfrentaban. Algunos ejecutivos de la compañía habían comenzado a temer
que les esperaba su propio “momento Kodak”, una interrupción fatal que
podría redefinir su negocio y eliminar las ventajas acumuladas durante
décadas. Con los analistas automotrices pronosticando cambios importantes
en la movilidad, comenzaron a pensar que la empresa necesitaba un
laboratorio dedicado que se concentrara por completo en los desafíos de
datos.
¿Pero cómo?
En ese momento, uno de nosotros, Niklas, un científico de datos de ZF,
estaba realizando un doctorado a tiempo parcial en la Universidad de Friburgo.
Niklas dio el primer paso y reclutó a sus asesores en la universidad, Dirk
Neumann y Tobias Brandt, para que lo ayudaran a montar un laboratorio
para la empresa. Esto le dio a ZF acceso a una experiencia de primer nivel
en análisis de datos y administración de sistemas de información.
La parte más difícil fue descubrir cómo funcionaría el laboratorio. Después
de todo, los laboratorios de datos industriales son un fenómeno bastante
nuevo: no podíamos simplemente descargar un plano. Sin embargo, después
de una serie de tropiezos, logramos ganar la aceptación del laboratorio y
descubrimos una serie de mejores prácticas que creemos que son
ampliamente aplicables a casi cualquier laboratorio de datos.
62
Cómo una empresa manufacturera alemana instaló su laboratorio de análisis
1. Centrarse en los clientes internos correctos
ZF tenía docenas de departamentos llenos de proyectos relacionados

con datos de alto impacto potencial. Aunque estuvimos tentados de
abordar muchos proyectos en toda la empresa, nos dimos cuenta de
que para crear visibilidad dentro de una empresa de 146 000
empleados, primero teníamos que centrarnos en los departamentos y
proyectos más prometedores.
Pero, ¿cómo definiríamos "más prometedor"? Dado que el objetivo
del laboratorio de datos es crear valor mediante el análisis de datos,
inicialmente nos enfocamos en los departamentos que generan la
mayor cantidad de datos. Desafortunadamente, esto no lo redujo
mucho. Los departamentos de finanzas, logística, marketing y ventas,
así como producción y calidad, produjeron grandes cantidades de
datos que podrían ser interesantes para proyectos piloto de ciencia
de datos.
Sin embargo, sabíamos por experiencia que los frutos más bajos
de los proyectos de alto impacto en una empresa de fabricación
como ZF estarían en la producción y la calidad.
Durante años, las líneas de producción de ZF habían estado
conectadas y controladas por sistemas MES y ERP, pero los datos
que generaban aún no se habían aprovechado en profundidad. Por lo
tanto, decidimos comenzar concentrándonos en los problemas de
producción, como las interrupciones, las tasas de reelaboración y la
velocidad de producción, donde podríamos tener un impacto inmediato.
63
2. Identificación de problemas de alto impacto
A continuación, seleccionamos aquellos proyectos dentro de la producción
y la calidad que prometían los resultados de mayor valor. Nuestra
experiencia con los primeros proyectos proporcionó la base para un
modelo de evaluación de proyectos, que hemos seguido perfeccionando.
El modelo contenía un conjunto de criterios a lo largo de tres dimensiones
que nos ayudaron a clasificar los proyectos.
• El problema a resolver debía estar claramente definido. Nosotros
no podía adoptar un objetivo abstracto como “mejorar la
producción”. Necesitábamos una idea clara de cómo el análisis
crearía valor empresarial.
• Los datos duros tenían que desempeñar un papel importante en la solución. Y
los datos tenían que estar disponibles, accesibles y de buena
calidad. Necesitábamos proteger al equipo de la inundación de
proyectos de informes de inteligencia empresarial.
• El equipo tenía que estar motivado. Le dimos a los equipos de
proyecto independencia para elegir cómo resolver los problemas
que asumieron. Y aunque ajustamos el presupuesto lo suficiente
como para imponer el enfoque, nos aseguramos de que no fuera
tan ajustado como para que el equipo no pudiera tomar decisiones

básicas de asignación por su cuenta. Para mantener
motivación e ilusión, priorizamos proyectos
64
ects que podrían subdividirse en más pequeños pero más
metas fácilmente alcanzables.
Si bien eventualmente encontramos útil asignar a una persona
específica para administrar las relaciones con el resto de la empresa,
mantuvimos a todo el laboratorio involucrado en la selección de proyectos
a medida que crecía la cantidad de personas que trabajaban en el laboratorio.
Esto mantuvo a todos informados, les dio un mayor sentido de
responsabilidad personal y expresó implícitamente el aprecio de la
gerencia por su juicio profesional.
3. Ejecución
El riesgo clave era que el equipo se perdía en la optimización de
pequeños matices de modelos y métodos en lugar de resolver el
problema principal. Para evitar esto, generalmente limitamos la fase de
ejecución a tres meses y le dimos al equipo el derecho de cancelar su
compromiso.
Este poder resultó ser un cambio de juego. Darle al equipo (incluido
el experto en el dominio) una “opción nuclear” los hizo mucho más
enfocados y orientados a objetivos. Una vez que implementamos esta
regla, la cantidad de solicitudes de cambio del cliente interno disminuyó
y la información proporcionada inicialmente tendió a ser más precisa y
completa que antes.
sesenta y cinco
Por supuesto, un equipo no podía cancelar un proyecto por razones

arbitrarias. Necesitaba justificar su decisión, especificando las
condiciones bajo las cuales se podría reabrir el proyecto.
Y si bien las cancelaciones son polémicas, a veces son necesarias
para liberar recursos y hacer cumplir el progreso hacia una meta
significativa. De hecho, la introducción de la capacidad de cancelar
proyectos en realidad aumentó el número de proyectos completados
con éxito.
Aunque un solo equipo puede trabajar en varios proyectos al
mismo tiempo, sobre todo porque la espera de las respuestas del
departamento del cliente puede provocar retrasos, generalmente
consideramos que es mejor que el equipo trabaje en un solo proyecto
a la vez. Descubrimos que los miembros del equipo aprovechaban
mejor los tiempos de inactividad para aprender nuevos métodos y
técnicas de análisis, que continuaron avanzando a un ritmo rápido.
Mantuvimos a nuestro cliente interno actualizado sobre nuestro
progreso a través de informes periódicos y, cuando fue posible, al

incluir a su experto en el dominio en el equipo del proyecto. Si no
podíamos hacerlo, buscábamos un arreglo, como una reunión semanal,
que nos permitiera contactar al experto del dominio directamente sin
tener que pasar por los guardianes.
Factores claves del éxito
Más allá de obtener una comprensión general del trabajo del laboratorio
de datos como un proceso de tres etapas, aprendimos otras lecciones
66
también. Específicamente, encontramos tres ingredientes más que son

cruciales para el éxito del laboratorio de datos:
• Apoyo ejecutivo. La confianza que el equipo ejecutivo de tecnología
depositó en nosotros fue crucial para nuestro éxito. Afortunadamente,
el equipo no pareció arrepentirse: “Dar al laboratorio de datos una
gran libertad para actuar de forma independiente, probar ideas y
también para aceptar los errores como parte de un proceso de
aprendizaje, requería confianza. Pero el impulso que creó es algo
que no queremos perdernos”, dijo el Dr. Jürgen Sturm, Director de
Información.
• La perspectiva de una autoridad externa. En este caso, los
científicos de datos de la Universidad de Freiburg marcaron una
gran diferencia en el éxito del laboratorio.

Como dijo Andreas Romer, vicepresidente de innovación de TI
de ZF: “Ya no consideramos la innovación como un proceso
interno en ZF. Para salvaguardar nuestro éxito futuro, debemos
mirar más allá de los límites de nuestra empresa, construir
alianzas para aprender y también para compartir conocimientos
y experiencias”.
• Expertos en dominios. Si bien los científicos de datos aportaron
conocimientos sobre métodos analíticos y enfoques al proyecto, su
acceso a expertos en el dominio fue esencial. Esos expertos deben
participar estrechamente en
67
responder preguntas relacionadas con el dominio que surgen una
vez que el equipo está profundamente comprometido con el problema.
Según nuestra experiencia, la capacidad y disponibilidad de los
expertos en el dominio es el cuello de botella más común que
bloquea el progreso de un proyecto de análisis de datos.
Problemas resueltos
Tres años después, podemos decir con confianza que ZF Data Lab es una
valiosa adición a la empresa. Con este recurso dedicado, ZF ha podido
resolver problemas que habían dejado perplejos a los ingenieros de la
empresa durante años.
Aquí hay dos ejemplos:
• Anillos de molienda rotos. Una fuente clave de paros en
maquinaria de la línea de producción, una avería puede crear un
desorden que puede tardar horas en limpiarse. Un cliente interno
deseaba desarrollar un sistema de alerta temprana que pudiera indicar
la probabilidad de una falla futura del anillo, pero tenía datos
desordenados, una señal débil (datos poco claros) y una verdad
básica muy desequilibrada (porque las fallas ocurren solo
ocasionalmente). . A pesar de esas limitaciones, pudimos crear un
algoritmo que podía detectar roturas inminentes el 72 % de las veces,
muy lejos de
68
perfección de cinco decimales, pero suficiente para ahorrar miles
de dólares a la empresa.
• Cargos por demanda de alta potencia. La gestión de las unidades
de energía para regular la demanda de energía en los momentos
de mayor consumo es una forma eficaz de reducir los costes.
Nuestro objetivo era desarrollar un agente de toma de decisiones
automatizado basado en datos que proporcione recomendaciones
de acción con el objetivo de reducir los picos de carga. Al trabajar
en estrecha colaboración con el departamento de energía,
pudimos desarrollar un modelo de predicción funcional para evitar
esos recargos por alta demanda. Seguir las recomendaciones del
modelo debería reducir la carga máxima entre uno y dos
megavatios, con un valor aproximado de $100,000.
$200,000 por año.
Después de crecer durante tres años, ZF Data Lab se ha convertido
en una especie de función de I+D especializada dentro de la empresa.
Es un crisol de ideas y tecnologías, que produce y evalúa pruebas de
concepto y descarta enfoques que no funcionan del todo. En última
instancia, el laboratorio de datos no solo está ahí para resolver
problemas, sino también para ayudar a responder la pregunta más
grande de todos los datos: ¿Cómo competirá nuestra empresa en este
mundo cada vez más digital?
69
PARA LLEVAR
ZF, un proveedor mundial de automóviles con sede en Alemania, temía un
"momento Kodak", una interrupción fatal que podría redefinir su negocio.

Así que se dispuso a lanzar un
laboratorio que se centró por completo en los desafíos de datos.
Comprender cómo ZF configuró y ejecutó su laboratorio de análisis puede
ayudar a su organización a hacer lo mismo.
ÿ Concéntrese en los clientes internos correctos. Limite sus esfuerzos
a los departamentos en los que los proyectos de datos tendrán
el mayor impacto.
ÿ Identificar problemas de alto impacto. Seleccione los proyectos
dentro de aquellos departamentos que tienen los resultados de
mayor valor. Considere tres criterios: un problema claramente
definido; datos disponibles, accesibles y de buena calidad; y un
equipo motivado.
ÿ Poner fecha límite a la ejecución. Limitar la ejecución
fase a tres meses, y otorgue a su equipo el derecho de
cancelar el proyecto si es necesario, para que puedan liberar
recursos para utilizarlos hacia una mejor meta.
70
ÿ Considere otros factores de éxito. Más allá de estos pasos,

ZF señaló tres ingredientes adicionales en el éxito del
laboratorio: apoyo ejecutivo, la perspectiva de una
autoridad externa y expertos para responder preguntas
relacionadas con el dominio una vez que el equipo se
enfrenta a un problema.
Adaptado del contenido publicado en hbr.org, 2 de noviembre de 2018 (producto #H04MRJ).
71
COMPUTACIÓN EN LA NUBE
ES AYUDAR A LOS MÁS PEQUEÑOS,
EMPRESAS MÁS NUEVAS
COMPETIR
por Nicholas Bloom y Nicola Pierri
¿Es la tecnología
empresas digital unay fuerza
más pequeñas nuevasdemocratizadora quegigantes
para competir contra permite
¿unos? ¿O proporciona una ventaja aún mayor a los titulares?
Esa pregunta ha recibido mucha atención últimamente, en respuesta
a los datos que muestran que la tasa de creación de nuevas
empresas en los Estados Unidos se ha desacelerado, y
73
Bloom y Pierri
que en la mayoría de las industrias, las empresas más grandes tienen una
participación de mercado más alta que hace una década.1
A pesar de esas tendencias, nuestra investigación sugiere que la
tecnología, de hecho, puede brindar una ventaja a las empresas pequeñas
y nuevas. En una investigación reciente, estudiamos la adopción de la
computación en la nube en las empresas estadounidenses. La computación
en la nube es un paradigma de TI basado en el acceso remoto a un conjunto
compartido de recursos informáticos. Poner los datos “en la nube”
esencialmente significa pagarle a otra persona para que los administre y
luego conectarse a sus servidores a través de Internet para acceder a sus
datos cuando los necesite. También significa que no necesita analizar estos
datos en sus propias máquinas, sino que puede "alquilar" estos servicios a
pedido. La popularidad de la computación en la nube se ha disparado durante
la última media década. Al reducir los costos fijos de la informática, evitando
la necesidad de contratar personal de TI, servidores y hardware, incluso la

empresa más pequeña puede satisfacer necesidades informáticas grandes
e inesperadas.
Por ejemplo, KenSci es una pequeña empresa de análisis de atención
médica con sede en Seattle, que utiliza técnicas de aprendizaje automático
para analizar cientos de variables sobre las condiciones de los pacientes
para proporcionar predicciones en tiempo real sobre mortalidad, readmisiones
y otros riesgos relacionados con la salud.
Confiando en la nube, KenSci ha podido rápidamente
Damos las gracias a Toulouse Network for Information Technology por la financiación de los
datos.
74
La computación en la nube está ayudando a las empresas más pequeñas y nuevas a competir
escalar y ofrecer sus servicios en todo el mundo, sin construir una infraestructura
de TI considerable de antemano. La agilidad computacional de la computación en
la nube también ha desempeñado un papel en la fabricación, fomentando la
creación de nuevos productos "inteligentes". Pivothead es una empresa con 25
empleados que produce tecnologías portátiles para ayudar a los ciegos y
deficientes visuales. La información recopilada por los sensores portátiles se envía
a la nube, se procesa a través de algoritmos de aprendizaje automático y se
transforma en voz o texto para ayudar al cliente a navegar por el entorno
circundante.
Estas anécdotas sugieren que la computación en la nube ha “democratizado
la computación” al llevarla a las masas de empresas. Nuestra investigación
confirma esta intuición utilizando un nuevo conjunto masivo de datos de más de

un millón de empresas estadounidenses desde
la década de 1980 Específicamente, encontramos tres resultados clave. Primero,
la computación en la nube ha experimentado un crecimiento masivo. Menos del
0,5 % de las empresas lo habían adoptado en 2010, mientras que el 7 % lo había
hecho en 2016, lo que representa una tasa de crecimiento anualizada de casi el 50 %.
En segundo lugar, la adopción de la computación en la nube ha ocurrido en los
Estados Unidos, no solo en una región, aunque la adopción más intensa y
temprana se produjo en áreas urbanas y educadas. Pero en tercer lugar, y lo más
sorprendente, la computación en la nube:
a diferencia de otras tecnologías como las PC y el comercio electrónico—
ha sido adoptado primero por empresas más pequeñas y más jóvenes.
El conjunto de datos para nuestro análisis proviene del centro de llamadas de
Aberdeen Information, que ha estado realizando
75
Bloom y Pierri
llamadas telefónicas a millones de empresas en los Estados Unidos
desde la década de 1980. Registra minuciosamente el hardware y el
software utilizados por millones de empresas por año desde 1981. Los
investigadores académicos suelen utilizar este conjunto de datos
debido a su amplia cobertura y calidad de datos. Las encuestas no son
perfectas, por supuesto, y una desventaja de estos datos es que los
encuestados tienen discreción sobre lo que consideran computación en
la nube. (Aunque hoy en día muchos servicios de Internet implican el
acceso a sus datos de otra empresa a través de Internet, para los fines
de esta encuesta, esperamos que las empresas respondan a un caso
de uso más limitado: el uso de servicios de alojamiento en la nube
empresariales específicos, como AWS , Microsoft Azure, Google Cloud
Platform, IBM Cloud, Oracle o Alibaba). En este capítulo utilizamos los

registros de más de 150 000 empresas estadounidenses con información
sobre su adopción de la computación en la nube.
La adopción de la tecnología de la nube en todo

Industrias en los Estados Unidos
La Figura 8-1 muestra el auge de la computación en la nube desde
2010, el primer año en que la base de datos comenzó a registrarlo.
Vemos que las tasas de adopción de la nube aumentan del 0,3 % en
2010 al 7 % en 2016, que es más del doble cada dos años.
Además, este aumento se ha producido en todas las industrias amplias.
76
FIGURA 8-1
La computación en la nube es cada vez más común
10%
informática
5
empresas
usando
están
dicen
nube
%que
de
la
0
2010 2011 2012 2013 2014 2015 2016
Nota: Los datos de 2011 no estaban disponibles.
Fuente: archivos de población informática de Aberdeen EE. UU. de 2010 a 2016
grupo que estudiamos, destacando cómo el aumento de la computación en
la nube se ha extendido a la economía estadounidense.
Nuestra investigación también muestra la distribución geográfica de la
computación en la nube, mostrando una amplia adopción en los condados
de EE. UU. Esta no es solo una tecnología utilizada por nuevas empresas
hipster en Nueva York y San Francisco, sino que se está adoptando en
todo el país. Cada condado de EE. UU. sobre el que tenemos datos ha
visto un aumento en la computación en la nube desde 2010.
Pequeño, joven y nublado
Nuestro siguiente gráfico es el más importante. La figura 8-2 muestra que
las empresas más pequeñas tienen las tasas de adopción más altas. Las
empresas con menos de 25 empleados han adoptado
77
Bloom y Pierri
tasas de adopción de 10% a 15% en promedio, mientras que las

empresas medianas tienen tasas de adopción más bajas. De hecho,
las tasas de adopción son más bajas en las empresas con alrededor
de 100 empleados, quizás porque tienen la escala suficiente para
adoptar sistemas informáticos internos, pero no la escala suficiente
para poder costear esos sistemas internos y los servicios en la nube.
Las empresas más grandes, aquellas con 500 empleados o más,
nuevamente ven tasas de adopción crecientes, típicamente con 5% a
10% de empresas que adoptan la computación en la nube.
FIGURA 8-2
Las empresas más pequeñas y más grandes son las que

más adoptan la computación en la nube
20%
15
10
0
0a9 10 a 99 100 a 999 1,000
o más
Número de empleados
Fuente: archivos de población informática de Aberdeen, EE. UU., 2016
78
Este "tick" de la nube también resulta ser sorprendentemente robusto.
Vemos esto en todas las industrias, tipos de empresas y años en nuestros
datos. Las pequeñas empresas realmente parecen ser las pioneras en la
adopción de la computación en la nube.
Por el contrario, comparamos la adopción de la computación en la
nube con las tasas de adopción de otras dos tecnologías: computadoras
personales (PC) y comercio electrónico. Estos muestran el patrón más
clásico de mayor adopción por parte de las grandes empresas.
La nube realmente se destaca por ser particularmente atractiva para las
empresas más pequeñas.
Pero no son solo las pequeñas empresas las que impulsan la adopción
de la computación en la nube. Las empresas jóvenes están adoptando la
computación en la nube más rápido que las más antiguas (consulte la
figura 8-3). Entonces, las empresas más ágiles, jóvenes y emprendedoras
son las pioneras de la adopción. Nuevamente, no vimos eso con otras
tecnologías: las empresas más antiguas tendían a ser las primeras en
adoptar las PC y el comercio electrónico.
Todo esto sugiere que la computación en la nube es una tecnología
inusual que atrae a empresas más pequeñas y jóvenes.
Creemos que su capacidad para proporcionar computación de alta
potencia sin los costos generales asociados con la provisión interna de
software y hardware ha impulsado esto. En este sentido, la computación
en la nube ha extendido la computación a las masas, democratizando la
computación.
El acceso flexible a los recursos informáticos permite a las pequeñas
empresas escalar (o reducir) rápidamente y experimentar
79
Bloom y Pierri
FIGURA 8-3
Es más probable que las empresas más jóvenes hayan adoptado
la computación en la nube
20%
15
10
0
0–4 5–9 10–14 15–19 20–24 25–29 30+
Edad de la empresa (años)
Fuente: archivos de población informática de Aberdeen, EE. UU., 2016
con nuevos productos y características. Esta agilidad operativa

puede ser particularmente valiosa cuando se enfrenta a una
demanda incierta o un entorno competitivo en rápida evolución.
Evidencia reciente de Kristina McElheran de la Universidad de
Toronto y Wang Jin del MIT muestra que la capacidad de
"alquilar" recursos de TI también ha ayudado a las empresas
jóvenes a sobrevivir y aumentar la productividad.2
Estos son hallazgos alentadores, especialmente a la luz de
la disminución del dinamismo empresarial y la tasa de creación
de nuevas empresas documentadas por el profesor de economía.
80
John Haltiwanger y sus colegas.3 Aunque no tenemos datos sobre

cómo la computación en la nube afecta el desempeño de las
empresas, no es difícil imaginar que la reducción de los costos de
computación mejoraría sustancialmente las oportunidades de las
empresas más jóvenes y más pequeñas. A pesar de las estadísticas
que sugieren una disminución en el dinamismo de los EE. UU., se
sabe que la tecnología perturba a los titulares cuando menos lo
esperan. En última instancia, la computación en la nube puede
resultar ser una de esas fuerzas disruptivas.
PARA LLEVAR
La capacidad computacional para analizar grandes conjuntos de

datos tiene un precio que las empresas más pequeñas y nuevas tal
vez no puedan pagar. Pueden competir colocando sus esfuerzos
informáticos en la nube.
ÿ Poner los datos “en la nube” significa que le está pagando a

otra persona para que los administre y usted se conecta a
sus servidores a través de Internet para acceder a sus
datos cuando los necesite. Si lo hace, significa que no
necesita analizar los datos en sus propias máquinas sino
"alquilar" estos servicios a pedido, ahorrándole el
81
Bloom y Pierri
costos generales de contratar personal de TI o comprar servidores y
hardware.
ÿ La computación en la nube ha experimentado un crecimiento masivo en re
ciento años. Las investigaciones indican que las tasas de adopción de la nube
han aumentado drásticamente durante la última década en los Estados Unidos.
ÿ Las empresas más pequeñas tienen las tasas de adopción más altas.
Las empresas más jóvenes también están adoptando la computación en la
nube más rápido que las más antiguas.
ÿ El acceso flexible a los recursos informáticos permite a las empresas más
pequeñas ampliar o reducir rápidamente y experimentar con nuevos
productos y características. Esta agilidad es especialmente valiosa cuando
se enfrenta a una demanda incierta o a un entorno competitivo en rápida
evolución.
NOTAS
1. Ian Hathaway y Robert E. Litan, “Declining Business Dyna mism in the

United States: A Look at States and Metros”, Brookings, 5 de mayo de 2014,
https://www.brookings.edu/research/declining
-dinamismo-empresarial-en-los-estados-unidos-una-mirada-a-los-estados-y
-metros/; David Wessel, “¿La falta de competencia está estrangulando la
economía de EE. UU.?” Harvard Business Review, marzo–abril de 2018,
https://hbr.org/2018/03/is-lack-of-competition-strangling-the-us
-economía.
82
2. Wang Jin y Kristina McElheran, “Economies Before Scale: Survival

and Performance of Young Plants in the Age of Cloud Computing”,
documento de trabajo de la Escuela de Administración de Rotman
nro. 3112901, diciembre de 2017.
3. Ryan A. Decker, John Haltiwanger, Ron S. Jarmin y Javier Miranda,

“Dinamismo empresarial en declive: lo que sabemos y el camino a
seguir”, American Economic Review 106, no. 5 (mayo de 2016).
Adaptado de “Research: Cloud Computing Is Helping Smaller, Newer Firms Compete”

en hbr.org, 31 de agosto de 2018 (producto n.º H04ISD).
83
CIENCIA DE LOS DATOS
Y EL ARTE DE
PERSUASIÓN
por Scott Berinato
La ciencia
añosde
lasdatos está creciendo
empresas rápidamente.
han invertido Durante para
miles de millones los últimos
obtenercinco
la
los científicos de datos más talentosos para establecer una tienda,
acumular zettabytes de material y ejecutarlo a través de sus máquinas de
deducción para encontrar señales en el insondable volumen de ruido.
Está funcionando, hasta cierto punto. Los datos han comenzado a
cambiar nuestra relación con campos tan variados como la traducción de

idiomas, el comercio minorista, la atención médica y el baloncesto.
85
Berinato
Pero a pesar de las historias de éxito, muchas empresas no obtienen
el valor que podrían obtener de la ciencia de datos. Incluso las operaciones
bien administradas que generan un análisis sólido no logran capitalizar
sus conocimientos. Los esfuerzos se quedan cortos en la última milla,
cuando llega el momento de explicar las cosas a los tomadores de decisiones.
En una pregunta sobre la encuesta de científicos de datos de Kaggle
de 2017, a la que respondieron más de 7000 personas, cuatro de las siete
principales "barreras que enfrentan en el trabajo" estaban relacionadas
con problemas de última milla, no técnicos: "falta de gestión/
apoyo financiero”, “falta de preguntas claras para responder”, “resultados
no utilizados por los tomadores de decisiones” y “explicar la ciencia de

datos a otros”. Esos resultados son consistentes con
lo que encontró el científico de datos Hugo Bowne-Anderson al entrevistar
a 35 científicos de datos para su podcast; como escribió en un artículo de
HBR.org de 2018: “La gran mayoría de mis invitados me dicen que las
habilidades clave para los científicos de datos son. . . las habilidades

aprender
para
sobre la marcha y comunicarse bien para responder preguntas comerciales,
explicando resultados complejos a las partes interesadas no técnicas”.
En mi trabajo dando conferencias y consultando con grandes
organizaciones sobre visualización de datos (dataviz) y presentaciones
persuasivas, escucho tanto a los científicos de datos como a los ejecutivos
expresar su frustración. Los equipos de datos saben que cuentan con
información valiosa, pero no pueden venderla. Dicen que los tomadores
de decisiones malinterpretan o simplifican demasiado su análisis y esperan
que hagan magia, para proporcionar las respuestas correctas.
86
Ciencia de datos y el arte de la persuasión
a todas sus preguntas. Mientras tanto, los ejecutivos se quejan de cuánto
dinero invierten en operaciones de ciencia de datos que no brindan la
orientación que esperaban.
No ven resultados tangibles porque los resultados no se comunican en su
idioma.
Las brechas entre los tipos de negocios y tecnología no son nuevas,
pero esta división es más profunda. Considere que hace 105 años, antes
de la codificación y las computadoras, Willard Brinton comenzó su libro de
referencia Métodos gráficos para presentar hechos describiendo el
problema de la última milla: “Vez tras vez sucede que algún miembro
ignorante o presuntuoso de un comité o una junta de los directores
trastornarán el plan cuidadosamente elaborado de un hombre que conoce
los hechos, simplemente porque el hombre con los hechos no puede
presentar sus hechos con la suficiente rapidez para vencer a la oposición. . .
Como la catedral es para sus cimientos, así es una presentación efectiva

de hechos para los datos”.
¿Cómo es posible que esta canción siga siendo la misma durante más
de un siglo? Como cualquier otra cosa tan profundamente arraigada, los
orígenes del problema de la última milla son múltiples. Por un lado, las
herramientas utilizadas para hacer ciencia incluyen la funcionalidad de
visualización. Esto fomenta la noción de que es responsabilidad de la
persona de datos ser el comunicador. La salida predeterminada de estas
herramientas no puede coincidir con una visualización de datos totalmente
diseñada y bien concebida; su visualización a menudo no está tan bien
desarrollada como su manipulación de datos, y las personas que usan las herramientas
87
Berinato
a menudo no quieren hacer la comunicación. Muchos científicos de

datos me han dicho que desconfían de la visualización porque
puede simplificar su trabajo y estimular a los ejecutivos a sacar
conclusiones que contradicen los matices y la incertidumbre
inherentes a cualquier análisis científico. Pero en la prisa por captar
a los científicos de datos en demanda, las organizaciones han
estado contratando a las personas más orientadas técnicamente
que pueden encontrar, ignorando su capacidad o deseo (o falta de
ellos) para comunicarse con un público no especializado.
Eso estaría bien si esas organizaciones también contrataran a
otras personas para cerrar la brecha, pero no lo hacen. Todavía
esperan que los científicos de datos discutan los datos, los analicen
en el contexto de conocer el negocio y su estrategia, hagan gráficos
y los presenten a un público no especializado. Eso es irrazonable.
Esas son cosas de unicornios.
Para comenzar a resolver el problema de la última milla, las

empresas deben dejar de buscar unicornios y repensar qué tipo de
talento constituye una operación de ciencia de datos. Este capítulo
propone una manera para que aquellos que no están sacando el
máximo provecho de sus operaciones liberen a los científicos de
datos de expectativas poco razonables e introduzcan nuevos tipos
de trabajadores en la mezcla. Se basa en equipos interdisciplinarios
compuestos por miembros con diferentes talentos que trabajan en
estrecha proximidad. La empatía, desarrollada a través de la
exposición al trabajo de otros, facilita la colaboración entre los tipos de tal
88
ent. El trabajo ya no se pasa entre grupos; se comparte entre ellos.
Un enfoque de equipo, apenas nuevo, pero recientemente aplicado.

pueden obtener operaciones de ciencia de datos en la última milla,
entregando el valor que han creado para la organización.
¿Por qué las cosas son así?
A principios del siglo XX, los pioneros de la administración moderna

ejecutaron operaciones sofisticadas para convertir datos en decisiones
a través de la comunicación visual, y lo hicieron con equipos. Fue un
esfuerzo interdisciplinario que incluyó a operadores de perforadoras
grupales, clasificadores de tarjetas, gerentes y dibujantes (casi siempre
eran hombres). Ejemplos de los resultados de esta colaboración son
legión en el libro de Brinton. Las compañías ferroviarias y los grandes
fabricantes fueron especialmente hábiles, aprendiendo las rutas más
eficientes para enviar materiales a través de las fábricas, logrando
objetivos de rendimiento de ventas regionales e incluso optimizando
los horarios de vacaciones.
El enfoque de equipo persistió durante la mayor parte del siglo. En

su libro de 1969 Practical Charting Tech niques, Mary Eleanor Spear
detalla el equipo ideal: un comunicador, un analista gráfico y un
dibujante (todavía
89
Berinato
en su mayoría hombres), y sus responsabilidades. "Es aconsejable,"

Spear escribe, "que [los tres] colaboran".
En la década de 1970 las cosas comenzaron a dividirse. Los

científicos acudieron en masa a la nueva tecnología que les permitía
visualizar datos en el mismo espacio (un programa de computadora)
donde los manipulaban. Las imágenes eran rudimentarias pero
disponibles rápidamente y no requerían la ayuda de nadie más. Se

abrió una grieta en el mundo de la visualización de datos entre la
visualización impulsada por computadora y la visualización más clásica

impulsada por el diseño producida por dibujantes (finalmente).
Chart Wizard, la innovación de Microsoft en Excel, intro
produjo "clic y viz" para el resto de nosotros, separando completamente

los dos mundos. De repente, cualquiera podía crear instantáneamente
un gráfico junto con variaciones exageradas que hacían que las barras
fueran tridimensionales o convertían un pastel en una nuez de rosquilla.
No se puede exagerar la profundidad de este cambio.
Ayudó a hacer de los gráficos una lingua franca para los negocios.
Impulsó el uso de datos en las operaciones y finalmente permitió que
existiera la ciencia de datos, porque superó el límite bajo de la cantidad
de datos que los diseñadores humanos pueden procesar en la

comunicación visual. Lo más importante fue que cambió la estructura
del trabajo. Los diseñadores (dibujantes) fueron devaluados y finalmente
se quedaron fuera del análisis de datos. La visualización se convirtió
en el trabajo de quienes manejaban los datos, la mayoría de los cuales
no estaban capacitados para visualizar ni inclinados a aprender.
La velocidad y comodidad de pegar un asistente de gráfico
90
gráfico en una presentación prevaleció sobre las imágenes más lentas,
más intensivas en recursos y basadas en el diseño, incluso si estas
últimas eran demostrablemente más efectivas.

Con el advenimiento de la ciencia de datos, las expectativas puestas
en los científicos de datos siguen siendo las mismas: hacer el trabajo y
comunicarlo, incluso cuando las habilidades requeridas se han
ampliado para incluir codificación, estadísticas y modelado algorítmico.
De hecho, en el artículo histórico de HBR de 2012 sobre el científico de
datos como el trabajo más sexy del siglo XXI, el rol se describe en
términos explícitamente unicornios: “¿Qué habilidades hacen que un

científico de datos tenga éxito? Piense en él o ella como un
híbrido de hacker de datos, analista, comunicador y asesor de confianza.
La combinación es extremadamente poderosa y rara”.
Una rara combinación de habilidades para los trabajos más buscados
significa que muchas organizaciones no podrán reclutar el talento que
necesitan. Tendrán que buscar otra forma de triunfar. La mejor manera
es cambiar el conjunto de habilidades que esperan que tengan los
científicos de datos y reconstruir equipos con una combinación de

talentos.
Construyendo una mejor operación de ciencia de datos
Una operación de datos eficaz basada en el trabajo en equipo puede
tomar prestado de Brinton y Spear, pero tendrá en cuenta el contexto
moderno, incluido el volumen de datos que se
91
Berinato
Cómo falla la comunicación
He aprendido en mi trabajo que la mayoría de los líderes reconocen
el valor que la ciencia de datos puede ofrecer, y pocos están satisfechos
fied con la forma en que se está entregando. Algunos científicos de datos
se quejan de que los jefes no entienden lo que hacen
y subutilizarlos. Algunos gerentes se quejan de que
los científicos no pueden hacer su trabajo inteligible para un lego
audiencia.
En general, las historias que escucho siguen uno de estos escenarios.
ios. A ver si reconoces a alguno de ellos.
La maldición del estadístico
Un científico de datos con algoritmos de vanguardia y grandes datos
desarrolla un conjunto de ideas y las presenta a la decisión
fabricantes con gran detalle. Ella cree que su análisis es
objetiva e incuestionable. Sus gráficos son "clic y visualización"
con algo de texto agregado a las diapositivas—en su opinión, el diseño
no es algo en lo que los estadísticos serios dediquen tiempo.
El lenguaje que usa en su presentación no le resulta familiar.
a sus oyentes, que se confunden y se frustran.
Su análisis es acertado, pero su recomendación no lo es.
adoptado.
(Continuado)
92
La fábrica y el capataz
Una parte interesada empresarial quiere impulsar un proyecto favorito
ect pero no tiene datos para respaldar su hipótesis. le pregunta a la
equipo de ciencia de datos para producir el análisis y los gráficos para
su presentación. El equipo sabe que su hipótesis está enferma
formado, y ofrece ideas útiles sobre una mejor manera de
acercarse al análisis, pero solo quiere gráficos y hablar
notas. Sucederá una de dos cosas: Su reunión será
enojarse cuando alguien pregunta sobre el análisis de datos
y no puede dar respuestas, o su proyecto pasará
y luego fracasar porque el análisis no era sólido.
La verdad conveniente
Un diseñador de información de primer nivel se inspira en algunos análisis
de los científicos de datos de la empresa y ofertas para ayudarlos a crear
una hermosa presentación para el tablero, con los colores de la marca
y tipografía e historias atractivas y de fácil acceso. Pero
los científicos se ponen nerviosos cuando los ejecutivos empiezan a ex
extraer ideas erróneas del análisis. Los gráficos claros y simples
hacer que ciertas relaciones parezcan causa y efecto directos
cuando no lo son, y eliminan cualquier incertidumbre que sea
inherente al análisis. Los científicos están en un dilema:
Finalmente, los principales tomadores de decisiones están entusiasmados con su trabajo, pero
lo que les emociona no es una buena representación de ello.
93
Berinato
procesados, la automatización de sistemas y los avances en técnicas de
visualización. También tendrá en cuenta una amplia gama de tipos de
proyectos, desde el informe razonablemente simple de datos analíticos
estándar (por ejemplo, resultados financieros) hasta los esfuerzos de big
data más sofisticados que utilizan algoritmos de aprendizaje automático
de última generación.
Aquí hay cuatro pasos para crear uno:
1. Defina talentos, no miembros del equipo
Puede parecer natural que el primer paso para desmantelar el
pensamiento unicornio sea asignar a varias personas los roles que ahora
cumple el científico de datos “perfecto”: manipulador de datos, analista
de datos, diseñador y comunicador.
No exactamente. En lugar de asignar personas a roles, defina los
talentos que necesita para tener éxito. Un talento no es una persona; es
una habilidad que una o más personas poseen. Una persona puede tener
varios talentos; tres personas pueden manejar cinco talentos. Es una
distinción sutil pero importante para mantener a los equipos lo
suficientemente ágiles para configurar y reconfigurar durante varias
etapas de un proyecto. (Volveremos a esto.)
La lista de talentos de cualquier empresa variará, pero un buen

conjunto básico incluye estos seis:
94
Gestión de proyectos. Debido a que su equipo será ágil y cambiará

de acuerdo con el tipo de proyecto y qué tan avanzado esté, un PM
fuerte que emplee alguna metodología similar a scrum se ejecutará
en todas las facetas de la operación.
Un buen gerente de proyecto tendrá grandes habilidades
organizativas y sólidas habilidades diplomáticas, lo que ayudará
a cerrar las brechas culturales reuniendo talentos dispares en
las reuniones y logrando que todos los miembros del equipo
hablen el mismo idioma.
Disputa de datos. Las habilidades que componen este talento

incluyen sistemas de construcción; encontrar, limpiar y estructurar
datos; y crear y mantener algoritmos y otros motores estadísticos.
Las personas con talento para disputas buscarán oportunidades
para optimizar las operaciones, por ejemplo, mediante la creación
de procesos repetibles para múltiples proyectos y plantillas para
obtener resultados visuales sólidos y predecibles que impulsarán el
proceso de diseño de la información.
Análisis de los datos. La capacidad de establecer hipótesis y

probarlas, encontrar significado en los datos y aplicarlo a un contexto
comercial específico es crucial y, sorprendentemente, no está tan
bien representada en muchas operaciones de ciencia de datos como
podría pensarse. Algunas organizaciones son muy exigentes con
los wranglers y también confían en ellos para realizar el análisis. Pero bueno
95
Berinato
el análisis de datos está separado de la codificación y las matemáticas.
A menudo, este talento surge no de la informática, sino de las artes
liberales. La empresa de software Tableau clasificó la infusión de artes
liberales en el análisis de datos como una de las mayores tendencias en
análisis en 2018. El pensamiento crítico, la configuración del contexto y
otros aspectos del aprendizaje en humanidades también resultan ser
habilidades fundamentales para el análisis, los datos o de lo contrario.

En una conferencia en línea sobre el tema, el científico investigador de
Tab leau, Michael Correll, explicó por qué cree que es crucial infundir la
ciencia de datos con las artes liberales.

“Es imposible considerar los datos divorciados de las personas”, dice.
“Las artes liberales son buenas para ayudarnos a intervenir y ver el
contexto. Hace que las personas sean visibles de una manera en la que
quizás no estén en la tecnología”.
Experiencia en el tema. Es hora de retirar el tropo de que los equipos

de ciencia de datos están atrapados en el sótano para hacer sus arcanos
trabajo y superficie solo cuando el negocio necesita algo de ellos. La
ciencia de datos no debe considerarse como una unidad de servicio;
debe tener talento de gestión en el equipo. Las personas con
conocimiento del negocio y la estrategia informarán el diseño del
proyecto y el análisis de datos y mantendrán al equipo enfocado en los

resultados del negocio, no solo en la construcción de los mejores
modelos estadísticos. Joaquín Candela, que dirige el aprendizaje
automático aplicado en Facebook, ha trabajado duro para centrar a su

equipo en los resultados comerciales.
96
y para recompensar las decisiones que favorecen esos resultados sobre
mejorar la ciencia de datos.
Diseño. Este talento es ampliamente malinterpretado. Un buen diseño no es
solo elegir colores y fuentes o idear una estética para los gráficos. Eso es estilo,
parte del diseño, pero de ninguna manera la parte más importante. Más bien, las
personas con talento para el diseño desarrollan y ejecutan sistemas para una
comunicación visual efectiva. En nuestro contexto, entienden cómo crear y editar
imágenes para enfocar a una audiencia y
destilar ideas. Talento en diseño de información, que enfatiza la comprensión y
la manipulación de la visualización de datos.

es ideal para un equipo de ciencia de datos.
Cuentacuentos. La narrativa es un artilugio humano extremadamente poderoso

y uno de los más infrautilizados en datos.
Ciencias. La capacidad de presentar información de datos como una historia,
más que cualquier otra cosa, ayudará a cerrar la brecha de comunicación entre
los algoritmos y los ejecutivos. Sin embargo, "narrar historias con datos", una
frase de moda cansada, se malinterpreta ampliamente. Decididamente no se
trata de convertir a los presentadores en Stephen Kings o Tom Clancys. Más
bien, se trata de comprender la estructura y la mecánica de la narrativa y
aplicarlos a la visualización de datos y las presentaciones.
97
Talento información
para
presentar
alas
partes
interesadas. Estas
son
las
formas
en
que
varios
talentos
están
involucrados
amedida
que
avanza
un
proyecto
de
ciencia
de
datos,
desde
la
recopilación
de
datos
hasta
el
desarrollo. Talentos
centrales
para
comunicar
datos TABLA
9-1
disputa
de
datos Gestión
de
proyectos
•Solucionar
problemas •Gestionar
la
creación
de
equipos,
•Mariscal
de
recursos
Tareas
línea
de
tiempo
yhorarios
procesos modelos datos
ysistemas
de
visualización,
algoritmos
ysistemas
para
repetibles
•Buscar,
limpiar
yestructurar
•Desarrollar
e
implementar
•Desarrollar
plantillas
y datos
•Metodología
Gestión
de
personas •Organización Habilidades
•Sistemas •Estadísticas •Codificación
arquitectura (como
scrum)
•Durante
la
creación
de
•Durante
la
creación Dirige
•Al
principio
de
un
equipo
de
datos
•Al
principio
de
un
proyecto
yejecución
de
un
proyecto una
operación
de
ciencia
datos
desarrollo existencia
•Durante
los
datos
de
rutina
•Datos
continuos Soporta
análisis,
prueba
de
hipótesis
yexploración
visual
de
datos operaciones
científicas
Cuentacuentos Diseño Experiencia
en
el
tema Análisis
de
los
datos
•Desarrollar
historias
a
partir
de
datos
•Ayudar
a
construir
presentaciones
•Presentar
a
personas
no
técnicas •Desarrollar
comunicación
visual
•Crear
plantillas
yestilos
para •Desarrollar •Desarrollar
yprobar
hipótesis •Definir
objetivos
comerciales •Desarrollar
yprobar
hipótesis
sobre
•Encontrar
patrones
ytendencias
útiles
audiencias yvisuales ypresentaciones comunicación para
informar
las
decisiones
comerciales datos
ymodelos
de
datos
en
formato
de
historia visualización
repetible
•Persuasivo •Presentación •Redacción
yedición •Diseño
de
información •Persuasivo •El
pensamiento
de
diseño •Diseño
de
presentación •Diseño
de
información •No
técnico •Desarrollo
de
estrategias •Pensamiento
crítico •Conocimiento
funcional •Técnico
y •Pensamiento
crítico •Método
científico •Estadísticas
comunicación comunicación comunicación comunicación
no
técnica
•Durante
la
presentación
a •Durante
la
creación
de •Durante
los
datos •Durante
el
diseño
del
proyecto,
•Durante
la
comunicación
a •Durante
los
datos
de
rutina
visualización
de
datos
ypresentaciones visualización
ycreación
de
presentaciones
ysistemas
visuales
(plantillas) prueba
de
hipótesis
yexploración
visual
de
datos análisis,
diseño
de
proyectos,
prueba
de
hipótesis
yexploración
visual
de
datos
audiencias
no
técnicas audiencias
no
técnicas
•Durante
la
iteración
visual •Durante
la
iteración
visual •Al
principio
de
un
equipo
de
datos
•Durante
la
visualización
y •Al
principio
de
un
equipo
de
datos
•Al
principio
del
proyecto
•Durante
la
visualización
yprototipos yprototipos proceso
de
diseño existencia presentaciones
para
audiencias
laicas desarrollo
de
la
comunicación
y desarrollo existencia
Berinato
2. Contratar para crear una cartera de talentos necesarios
Una vez que haya identificado los talentos que necesita, libere su
reclutamiento de la idea de que estos son roles para los que debe
contratar personas. En su lugar, concéntrese en asegurarse de que
estos talentos estén disponibles en el equipo. Algunos de ellos,
naturalmente, tienden a ir juntos: el diseño y la narración, por ejemplo,
o la disputa y el análisis de datos, pueden existir en una sola persona.
A veces, el talento no se encontrará en los empleados sino en los
contratistas. Para mi trabajo, mantengo una red de gabinetes de cocina

de personas que tienen talentos en áreas en las que soy débil.
Es posible que desee contratar a una empresa de diseño de información
o contratar a algunos organizadores de datos para limpiar y estructurar

nuevos flujos de datos.
Pensar en los talentos como algo separado de las personas ayudará

a las empresas a abordar el problema de la última milla, porque las
liberará de intentar encontrar a la persona que pueda hacer ciencia de
datos y comunicarla. Atrapar a algunas personas que tienen habilidades
de diseño superiores liberará a los científicos de datos para que se
centren en sus puntos fuertes. También abrirá la puerta a personas que
anteriormente podrían haber sido ignoradas. Un codificador promedio
que también tenga buenas habilidades de diseño, por ejemplo, podría
ser muy útil.
Randal Olson, científico de datos líder en Life Epigenet ics y curador

del canal Reddit Data Is Beautiful
100
(dedicado a compartir y discutir una buena visualización de datos), solía
centrarse únicamente en qué tan bien alguien hizo la parte técnica de la

ciencia de datos. “Lo sé, cuando comencé, tenía cero aprecio por la
parte de comunicación”, dice. “Creo que eso es común”. Ahora, en
algunos casos, ha cambiado el proceso de contratación. “Ya sabes,
vienen e inmediatamente empezamos a hacer modelos de pizarra y
matemáticas”, dice.
“Son científicos de datos hablando con científicos de datos. Ahora, a
veces traigo a una persona sin conocimientos técnicos y le digo al

candidato: 'Explíquele este modelo a esta persona'”.
3. Exponga a los miembros del equipo a talentos que no tienen
La superación de los choques culturales comienza con la comprensión
de las experiencias de los demás. El talento del diseño a menudo no
está expuesto a estadísticas o algoritmos. Su enfoque está en el
refinamiento estético, la simplicidad, la claridad y la narrativa. La
profundidad y complejidad del trabajo de datos es difícil de reconciliar

para los diseñadores. Los científicos de datos de núcleo duro, por el contrario, valoran ob
objetividad, rigor estadístico y exhaustividad; la parte de la comunicación
no sólo les es ajena sino que les distrae. “Va en contra de su ethos”,
dice un gerente de una operación de ciencia de datos en una gran
empresa de tecnología. “Yo era de la misma manera, trabajé en ciencia
de datos durante 10 años, pero fue revelador para mí cuando tuve que
formar un equipo. yo
101
Berinato
FIGURA 9-1
Cree un tablero de talentos

Realizar una auditoría de talento ayuda a los gerentes a hacer un mejor trabajo de planificación
para proyectos y configuración de equipos.
Primero, identifique los talentos a los que necesita tener acceso:
Gestión de proyectos Experiencia en el tema
disputa de datos Diseño
Análisis de los datos Cuentacuentos
A continuación, asigna talentos Finalmente, evalúe cuánta profundidad

a los miembros del equipo: tienes para cada tipo de talento:
Persona Talento Talento Profundidad
Anand Gestión de proyectos
cameron disputa de datos
emily Análisis de los datos
Kevin Experiencia en el tema
roberto Diseño
Stephani Cuentacuentos
susana
Xia Li
vi que si aprendíamos un poco más sobre la parte de la

comunicación, podríamos defender mucho más para el negocio”.
Hay muchas maneras de exponer a los miembros del equipo al

valor de los talentos de los demás. Los diseñadores deben aprender
algunas estadísticas básicas (tomar un curso introductorio, por ejemplo)
102
FIGURA 9-2
ponerlo en uso
Al saber qué talentos están disponibles, los gerentes ahora pueden asignar unidades de
talento a un proyecto de acuerdo con el momento en que se necesitan. Por lo general, un
grupo de talentos tomará la iniciativa al principio de un proyecto y diferentes grupos lo harán
en las etapas posteriores. La gestión de proyectos generalmente juega un papel importante
en todo momento.
Próximo Modelo Hipótesis

plan de proyecto desarrollo Exploración y análisis Presentación
Guiar
Apoyo
Constante
Tiempo
mientras que los científicos de datos aprenden los principios básicos de
diseño. Ninguno debe convertirse en experto en el campo de sus
contrapartes, solo necesitan aprender lo suficiente para apreciarse mutuamente.
Stand-ups y otras reuniones siempre deben incluir una mezcla de
talentos. Un stand-up de scrum orientado principalmente a actualizar el
progreso tecnológico aún puede incluir un especialista en marketing que
hace presentaciones, como sucede en la empresa de Olson.
Los expertos en la materia deben traer talento para el análisis y la disputa
de datos a las reuniones de estrategia. Sesiones especiales en las que las
partes interesadas responden preguntas del equipo de datos
103
Berinato
y viceversa también ayudan a cerrar la brecha. El director de

algoritmos de Stitch Fix, Eric Colson (que es algo parecido a un
unicornio, con talento tanto en estadística como en comunicación en
una empresa en la que la ciencia de datos es intrínseca), pide a los
miembros de su equipo que hagan presentaciones de un minuto
para audiencias no técnicas. , obligándolos a enmarcar los problemas
de manera inteligente que todos puedan entender. “Hasta el día de
hoy”, dice Colson, “si dices 'cocos' aquí, la gente sabrá que era parte
de una metáfora que una persona usó para describir un problema
estadístico particular que estaba abordando. Nos enfocamos en
enmarcarlo de manera que todos lo entiendan porque la empresa no
hará lo que no entiende”. Un
otro gerente de un equipo de ciencia de datos creó un glosario de

términos utilizados por el talento técnico y el talento de diseño para
ayudar a los empleados a familiarizarse con el lenguaje de los demás.
Si su organización contiene algunas de esas raras personas que,
como Colson, tienen tanto talento para los datos como para la
comunicación y el diseño, es útil que sean mentores entre sí. Se
debe alentar a las personas que expresan interés en desarrollar
talentos que no tienen pero que usted necesita, incluso si esas
fortalezas (habilidades de diseño, por ejemplo) están muy lejos de
las que ya tienen (disputas de datos). De hecho, en mis talleres
escucho a científicos de datos a quienes les encantaría desarrollar
su talento para el diseño o la narración de historias, pero no tienen
tiempo para comprometerse.
A otros les encantaría ver ese talento agregado a sus equipos,
104
pero su gestión de proyectos se centra principalmente en los

resultados técnicos, no en los comerciales.
Toda esta exposición está destinada a crear empatía entre los

miembros del equipo con diferentes talentos. La empatía, a su vez,
crea confianza, una base necesaria para un trabajo en equipo eficaz.
Colson recuerda una ocasión en la que usó el talento narrativo para
ayudar a explicar algo que surgía del análisis de datos: “Recuerdo
hacer una presentación sobre un problema de comercialización,
donde pensé que lo estábamos abordando de manera incorrecta.
Tuve que conseguir merchandising para comprar”. En lugar de
explicar la distribución binomial beta y otros conceptos estadísticos
para reforzar su punto de vista, contó una historia sobre alguien que
sacaba bolas de una urna y lo que sucedió con el tiempo con el
número y tipo de bolas en la urna. “A la gente le encantó”, dice.
“Observaste la habitación y cómo hizo clic con ellos y les dio
confianza para que en ese punto ni siquiera fuera necesario explicar
las matemáticas detrás de esto. Ellos confiaron en nosotros”.
4. Estructurar los proyectos en torno a los talentos
Con una cartera de talentos lista, es hora de usarla para lograr sus
metas. La naturaleza cambiante de qué talentos se necesitan y
cuándo puede hacer que los proyectos sean difíciles de manejar.
Las sólidas habilidades de gestión de proyectos y la experiencia en
metodologías ágiles ayudarán a planificar la configuración.
105
Berinato
y la reconfiguración de talentos, organizando los recursos según sea

necesario y evitando que los cronogramas abrumen cualquier parte
del proceso.
Poniendolo todo junto
Querrá tomar otras medidas para que sus proyectos sean exitosos:
Asigne una única parte interesada empoderada
Es posible, o incluso probable, que no todas las personas cuyos

talentos necesita reporten al gerente del equipo de ciencia de datos.
El talento de diseño puede informar a marketing; los expertos en la
materia pueden ser ejecutivos que reportan al CEO.
Sin embargo, es importante darle al equipo el mayor poder de decisión
posible. Las partes interesadas serán, en la mayoría de los casos,
personas con experiencia empresarial que están estrechamente
vinculadas o son responsables de los objetivos empresariales; el
objetivo del trabajo, después de todo, es obtener mejores resultados comerciales.
Esas personas pueden crear objetivos e incentivos compartidos para

el equipo. Idealmente, puede evitar la trampa de responsabilidad sin
autoridad, en la que el equipo trata con varias partes interesadas que
pueden no estar todas alineadas.
106
Asignar talento líder y talento de apoyo
Quién dirige y quién apoya dependerá del tipo de proyecto que sea
y en qué fase se encuentre. Por ejemplo, en un proyecto
profundamente exploratorio, en el que se procesan y visualizan
grandes volúmenes de datos solo para encontrar patrones, la disputa
de datos y el análisis requieren el líder, con el apoyo de expertos en
la materia; el talento de diseño puede no participar en absoluto, ya
que no se requiere comunicación externa. Por el contrario, para
preparar un informe para la junta sobre la evidencia de un ajuste de
estrategia recomendado, la narración y el diseño lideran con el apoyo
del talento de datos.
Colocar
Haga que todos los miembros del equipo trabajen en el mismo

espacio físico durante un proyecto. Configure también un espacio
virtual compartido para la comunicación y la colaboración. Sería indeseable
haga que aquellos con talento para el diseño y la narración utilicen

un canal de Slack mientras que el equipo técnico utiliza GitHub y los
expertos empresariales colaboran por correo electrónico. Utilice
técnicas de "análisis por parejas", en las que los miembros del
equipo literalmente se sientan uno al lado del otro y trabajan en una
pantalla en un proceso iterativo similar a un scrum. Pueden ser personas con
107
Berinato
talento para el análisis y la disputa de datos que refina los modelos de
datos y prueba hipótesis, o un par con experiencia en la materia y
capacidad para contar historias que trabajan juntos para pulir una
presentación, llamando al diseño cuando tienen que adaptar un gráfico.
Que sea un verdadero equipo
El concepto crucial en la colocación es que es un equipo empoderado.

En Stitch Fix, "nuestra regla es no traspasar", dice Colson. “No queremos
tener que coordinar a tres personas entre departamentos”. Con este fin,
ha convertido en una prioridad garantizar que sus equipos tengan todas
las habilidades que necesitan para lograr sus objetivos con un apoyo
externo limitado. También trata de contratar a personas que muchos
considerarían generalistas que cruzan la brecha entre la tecnología y la
comunicación. Él aumenta este modelo con comentarios regulares para,
por ejemplo, una persona de datos que necesita ayuda con la narración de
historias o un experto en la materia que necesita comprender algún
principio estadístico.
Reutilización y plantilla
Colson también creó un "equipo de interfaz de usuario algorítmica". Piense
en esto como un grupo de personas que combinan sus talentos de diseño
108
y talentos de disputa de datos para crear conjuntos de códigos
reutilizables para producir una buena visualización de datos para los
equipos de proyecto. Tales plantillas son invaluables para lograr que un
equipo funcione de manera eficiente. Las conversaciones que un
diseñador de información, por ejemplo, tendría con un analista de datos

sobre las mejores prácticas en visualización se codifican en las herramientas. graham
MacDonald, científico de datos en jefe de Urban Insti
tute, ha fomentado con éxito este tipo de cooperación en materia de
plantillas. Su grupo produce datos por condado para muchos condados
de EE. UU. Al reunir la disputa de datos y la experiencia en el tema
para comprender las necesidades de comunicación, el grupo creó una
plantilla reutilizable que podía personalizar la salida para cualquier
condado en particular. Tal resultado habría sido difícil sin la integración
de esos talentos en el equipo.
Conclusión
La presentación de la ciencia de datos para audiencias legas, la última
milla, no ha evolucionado tan rápido o tan completamente como la parte

técnica de la ciencia. Debe ponerse al día, y eso significa repensar
cómo se forman los equipos de ciencia de datos, cómo se administran
y quién está involucrado en cada punto del proceso, desde el primer

flujo de datos hasta el gráfico final que se muestra al
junta. Hasta que las empresas puedan atravesar con éxito ese último
109
Berinato
milla, los equipos de ciencia de datos no cumplirán. Proporcionarán,

en palabras de Willard Brinton, cimientos sin
catedrales.
PARA LLEVAR
Las empresas respondieron al auge de la analítica contratando a los

mejores científicos de datos, pero muchos de ellos no obtuvieron el
valor que esperaban de sus iniciativas de ciencia de datos. Sus
esfuerzos se quedan cortos cuando se trata de comunicación.
comunicar sus hallazgos a los tomadores de decisiones, también

conocido como el problema de la última milla.
ÿ Las empresas deben repensar cómo construyen sus equipos

de ciencia de datos centrándose en seis talentos: gestión
de proyectos, disputa de datos, análisis de datos, experiencia
en el tema, diseño y narración de historias.
ÿ Identifica cuáles de estos talentos faltan en tu equipo. Encuentre

una variedad de personas que tengan estas habilidades para
llenar estos vacíos, recordando que algunas pueden sobresalir
en más de una.
110
ÿ Exponga a los miembros del equipo al valor de los

talentos de los demás para evitar choques culturales.
Si un individuo sobresale en el diseño y otro en el
análisis, anímelos a aprender las habilidades de los
demás, para que puedan apreciar lo que otros
miembros del equipo aportan.
ÿ Utilice estos talentos para lograr sus objetivos

estructurando sus proyectos en torno a estas habilidades.
Reimpreso de Harvard Business Review, enero-febrero de 2019 (producto n.º R1901K).
111
Seccion 3
APLICACIÓN DE DATOS
ANALÍTICA
10
CÓMO VIÑA VIÑEDO

UTILIZA ANÁLISIS PARA
GANAR CLIENTES
por Dave Sutton
con las empresas estadounidenses para iniciar una pequeña empresa

Cuando en
los Martha's
hermanosVineyard
Shep e Ian
enMurray
1998,cortaron sus lazos
su motivación
era clara: "Estamos haciendo corbatas para no tener
que usarlas".1
No sabían que el negocio que fundaron,
Vineyard Vines, se convertiría en un favorito de la
industria de la moda y en una marca familiar en
todo el país.
115
Sutton
Hoy en día, la empresa más conocida por su sonriente logotipo de
ballena rosa ofrece mucho más que su exclusiva prenda para el cuello.
Fabrica una línea completa de ropa y accesorios "exclusivos, pero
alcanzables" para hombres, mujeres y niños. Ese “pequeño” negocio
privado ha crecido enormemente desde su lanzamiento y actualmente
cuenta con más de 90 puntos de venta físicos y un negocio de comercio
electrónico de gran éxito.
Conocí al equipo de Vineyard Vines mientras investigaba sobre
tecnologías de marketing basadas en datos para mi libro, Marketing,
Interrupted, y aprendí de primera mano sobre los comienzos de la
empresa y lo que la ha hecho tan exitosa en la actualidad. Desde el
principio, los hermanos Mur ray adoptaron un principio rector para
conectarse auténticamente y comprender profundamente las necesidades
únicas de sus clientes. Este principio siempre ha sido una prioridad para
el equipo de liderazgo de Vineyard Vines y sigue siendo una prioridad en
la actualidad. Está claro que la actual vicepresidenta de marketing,
Lindsey Worster, está comprometida con este principio, como me dijo:
“Todos tratamos de transmitir el mensaje correcto, sobre el producto
correcto, en el momento correcto a nuestro cliente, objetivo, nuestra meta
principal es una comunicación relevante y auténtica”.
Por supuesto, este tipo de mercado uno a uno en tiempo real
ing es más fácil decirlo que hacerlo.
116
Cómo Vineyard Vines utiliza la analítica para conquistar clientes
A medida que Vineyard Vines ha aumentado rápidamente su base

de clientes, el tamaño de su base de datos de clientes también se ha
expandido. Se han capturado Tera bytes de datos. Cientos de atributos,

que abarcan los perfiles de los clientes, las preferencias y los
comportamientos de compra, deben analizarse en información
procesable para brindar una experiencia altamente personalizada. Al
igual que muchos competidores en la industria de la confección,
Vineyard Vines ha mantenido sus operaciones ajustadas para preservar
los márgenes operativos. Esto significa que simplemente no tiene los

recursos humanos para realizar el oneroso análisis de datos y la
segmentación del comportamiento necesarios para informar el
verdadero marketing uno a uno. Por lo tanto, a lo largo de los años, el
minorista cayó en la trampa de depender de los tipos tradicionales de
comunicaciones de "lote y explosión" para llegar a sus clientes,
promocionar productos y hacer ofertas. Por supuesto, esa compensación
era inconsistente con los principios rectores de los fundadores, pero

se percibía como la única forma de mantener la caja registradora
sonando. Sin embargo, Worster reconoció: "Con las campañas por
lotes y masivas, enviábamos exactamente el mismo mensaje e
imágenes estáticas a millones de personas, y esa no es la mejor
manera de comunicarse con los clientes".
En julio de 2016, el equipo de comercio electrónico de Vineyard

Vines se dispuso a encontrar una solución que lo ayudara a seguir el
ritmo de su dinámica base de clientes y mantenerse fiel a sus principios de
117
Sutton
comunicaciones auténticas, relevantes y personalizadas.
Lo que los miembros del equipo buscaban era una plataforma

agnóstica minorista que integrara los datos de sus clientes y productos
en línea para permitir mensajes personalizados reales. Como todos
sabemos, Amazon tiene la tecnología para hacer esto, pero es

patentada y no está disponible para los minoristas.
Ingrese a Fayez Mohamood y su equipo en Bluecore, una plataforma

de automatización de marketing minorista. La solución que han
desarrollado Fayez y su equipo correlaciona los comportamientos de
los clientes y sus interacciones con los minoristas en línea.
catalogo de producto. A partir de estos análisis, Bluecore crea

dinámicamente campañas inteligentes y desencadenadas que se
pueden ejecutar en canales de correo electrónico y redes sociales o se pueden usar
para optimizar el marketing de motores de búsqueda. En el corazón de

la solución se encuentra un motor de decisiones impulsado por IA que
determina el momento y el contenido de la próxima mejor campaña
para enviar a compradores individuales. El motor de decisiones toma
los datos sobre las interacciones de los clientes con productos
específicos y decide a qué productos apuntar a continuación para cada

cliente, en función de su comprensión de la sabiduría individual y
colectiva de todos los clientes. Eso
comprende qué clientes son sensibles a los precios (y, por lo tanto,
están motivados por los descuentos), qué artículos ha visto un cliente

individual, qué tienen en común esos artículos con otros artículos que
comprometió el cliente
118
con qué productos se pueden reabastecer y con qué cadencia los reabastece
un cliente específico, qué actividades predicen una próxima compra, el
momento adecuado para contactar a un cliente específico, el valor de por vida
y la actividad de un cliente, etc.
Inicialmente, Vineyard Vines implementó la tecnología para enfrentar
desafíos obvios, como activar correos electrónicos para carritos de compras
abandonados, búsquedas abandonadas y navegaciones abandonadas.
Después de ver aumentos en los ingresos por correo electrónico (RPE) en
esos esfuerzos iniciales de mensajería del cliente, el equipo de marketing
decidió expandir el uso de las capacidades de decisión dinámica de la
plataforma, lo que Bluecore denomina "audiencias predictivas". Esta parte de
la plataforma permite a Vineyard Vines enviar mensajes dinámicos y
personalizados basados en los comportamientos en línea de un cliente, las
transacciones de compra y su nivel relativo de compromiso personal con la
marca.
A continuación, el equipo de marketing comenzó rápidamente a usar la
plataforma para automatizar campañas para casos de uso específicos en los
que la personalización y la relevancia siempre habían sido un desafío, entre
ellos:
• notificar a los clientes cuando los productos de alta demanda

volvieron a estar en stock
• comunicación de ofertas de última oportunidad en caso de agotamiento de existencias
elementos
119
Sutton
• ejecución de campañas de eventos especiales y específicas para
las festividades
• predecir cuándo un cliente puede estar en riesgo de darse de baja
Los días de las campañas por lotes y explosión para Vineyards Vines pronto
terminarán, ya que hasta la fecha los resultados de la campaña con el nuevo motor
de decisiones han superado las expectativas. Considere los siguientes ejemplos de
campaña:
Las campañas navideñas amplían el alcance

sin sacrificar la relevancia
El equipo de Vineyard Vines aumentó el alcance de su campaña anual de correo
electrónico del Día de San Patricio de 3000 destinatarios en 2017 a más de 239 000
en 2018, manteniendo un enfoque altamente personalizado. Esta campaña de
producto con tema navideño se dirigió a dos audiencias específicas: clientes que
habían visto previamente la ropa con tema navideño y clientes con una gran afinidad
hacia el producto.
La tasa de apertura de los correos electrónicos generados desde la nueva plataforma
aumentó un 68 % y el RPE aumentó un 572 % con respecto al año anterior, cuando
se utilizó un enfoque por lotes y envío masivo. Para la campaña anual de Semana
Santa, el equipo de marketing utilizó la plataforma para dirigirse no solo a los clientes
que habían navegado
120
productos relacionados con la Pascua anteriormente, pero también

amplió la lista de destinatarios para incluir clientes que tenían una alta
afinidad hacia los productos. En este caso, el número de destinatarios
saltó de 5000 a 150 000, las tasas de apertura aumentaron un 77 % y
el RPE aumentó un 759 % con respecto a los resultados del año anterior.
Una campaña de temporada genera un ROI

descomunal a través del marketing multicanal mejorado
El equipo de redes sociales de Vineyard Vines usó el motor de

decisiones para determinar qué clientes es poco probable que abran o
hagan clic en los correos electrónicos y, en cambio, se dirigieron a esos
clientes en Facebook. Este movimiento entre canales resultó
en un 182% de ROI. Basado en su éxito inicial, el equipo planea

extender este enfoque a más canales. Lo primero es una campaña anti-
churn que se dirige a los clientes en riesgo a través del correo directo.
El equipo cree que esta campaña ofrecerá una poderosa oportunidad
para volver a interactuar con estos clientes de una nueva manera.
Una campaña de rendimiento de mujeres

supera con creces las expectativas
El objetivo de esta campaña era presentar una nueva colección de alto

rendimiento para mujeres a clientes que quisieran
121
Sutton
alta afinidad por la línea de productos basada en modelos predictivos.

Dado que se trataba del lanzamiento de un producto completamente
nuevo, el equipo no tenía ningún comportamiento de compra histórico
para usar como guía para la segmentación, por lo que se utilizó
Bluecore para cerrar esa brecha. El público objetivo eran clientes
que tenían una afinidad alta o muy alta con el producto de las nuevas
mallas de alto rendimiento para mujer de Vineyard Vines. Con el
nuevo motor de decisiones, la campaña generó un RPE un 124 %
más alto que la campaña femenina promedio de Vineyard Vines.
El motor de decisiones ayuda a encontrar

nuevos segmentos de clientes
El equipo de Vineyard Vines está utilizando el módulo de

"perspectivas de la audiencia" de Bluecore para revelar perspectivas
centradas en el comercio minorista para grupos específicos de
clientes. En cuanto a las necesidades de los clientes, la capacidad
de ubicar a los clientes en diferentes etapas del ciclo de vida ayudó
al equipo de Vineyard Vines a determinar a qué clientes prioritarios
apuntar, como aquellos que corren el riesgo de optar por no recibir
comunicaciones de marketing directo y perder el contacto con la
marca. Al observar el compromiso con los productos, el equipo
encontró "gemas ocultas" o productos con poco tráfico pero altas
tasas de conversión. Esta información le dio al equipo una pista
sobre los productos a los que deberían dirigir más tráfico a través de campañas dirigi
122
equipo de marketing combinó la inteligencia de los conocimientos de la
audiencia con la toma de decisiones predictiva, los resultados fueron
impresionantes. Por ejemplo, después de descubrir que varios productos
para niños aterrizaban en la categoría de "gemas ocultas", el equipo
decidió crear una campaña de "Los más vendidos semanalmente para
niños" para atraer más tráfico a esos productos. Se dirigía a clientes que
previamente habían buscado productos para niños, tenían una probabilidad
alta o media de abrir correos electrónicos y era poco probable que
cancelaran su suscripción. En las primeras 24 horas, la campaña generó
un 81 % más de ingresos por correo electrónico que las campañas
tradicionales de correo electrónico para niños de lote y explosión.
¿Qué pueden aprender otras empresas del éxito de Vineyard Vines?
Se destacan algunas mejores prácticas:
• Comprometerse con los clientes en un nivel uno a uno. Ya no es
algo “agradable de tener”, los clientes lo esperan.
• Renueve su enfoque de lote y explosión para el marketing por
correo electrónico mediante la integración de datos de
comportamiento y algoritmos predictivos para realizar envíos de
campañas de gran volumen que sean únicos para cada destinatario.
• Proporcione a sus clientes leales la mejor experiencia en cada
punto de contacto.
• Diríjase a los clientes de manera personalizada a través de algo
más que correo electrónico y determine la mejor combinación de

canales para cada cliente.
123
Sutton
• Obtener una comprensión más profunda de los clientes y

productos Vea información detallada de la audiencia para
comprender mejor el estado del cliente y el compromiso con
los productos.
Sin herramientas como Bluecore, los minoristas no tienen una
comprensión clara o accesible de los productos con los que interactúan

los clientes o los puntos en común entre los productos con los que se
ha comprometido un solo cliente. Tampoco saben el minuto en que
cambia el estado de un producto.
Considere las ocasiones en que el valor de un producto disminuye, se
agota o vuelve a estar disponible; todos estos eventos deberían
desencadenar la acción del minorista. La mayoría de los minoristas
luchan por comprender cómo y por qué un cliente se involucra con un
producto a menos que el cliente lo compre o abandone el carrito. Hoy
en día, se puede hacer mucho más para servir mejor a los clientes y,
en última instancia, hacer que su empresa sea más exitosa.
PARA LLEVAR
Vineyard Vines utiliza los datos de sus clientes para conectarse con
ellos de manera auténtica mediante marketing uno a uno en tiempo real.
124
Comprender lo que esta empresa ha aprendido a través de sus

análisis y esfuerzos de IA puede ayudarlo a mejorar sus
campañas de marketing para volver a atraer a los clientes y aumentar
ingresos.
ÿ Más allá de los mensajes masivos que enviaban el

mismo texto e imágenes a millones, Vineyard Vines
buscó comunicaciones auténticas, relevantes y
personalizadas a través de una plataforma de
automatización de marketing minorista. Esta plataforma
creó campañas activadas basadas en un motor de
decisiones impulsado por IA que determinaba el tiempo
y el contenido que se entregaba a cada comprador.
ÿ La compañía también se expandió a “predictive

públicos”, lo que permitió a la empresa enviar
mensajes personalizados basados en los
comportamientos en línea de los clientes, las
transacciones de compra y el nivel de compromiso personal con la marca
ÿ El ejemplo de Vineyard Vines ilustra algunas mejores

prácticas adicionales: Proporcione a sus clientes las
mejores experiencias en cada punto de contacto;
determinar la mejor combinación de canales para
cada cliente; y ver información detallada de la
audiencia para comprender el estado del cliente y el
compromiso con los productos.
125
Sutton
NOTA
1. Ray A. Smith, "Tie Association, a Fashion Victim, Calls It Quits as

Trends Change", Wall Street Journal, 4 de junio de 2008, https://www
.wsj.com/articles/SB121253690573743197.
Adaptado del contenido publicado en hbr.org, 8 de junio de 2018 (producto #H04DRC).
126
11
CÓMO UTILIZAR
DATOS DEL EMPLEADO
RESPONSABLE
por Ellyn Shook, Eva Sage-Gavin y Susan Cantrell
A raíz de las recientes

Las empresas filtraciones
están reconociendo la de datos de
necesidad clientes,
de más com
protección.
ciones y transparencia en torno a la recopilación y el uso de los
datos de los clientes. Pero pocos han prestado la misma atención a los
problemas que surgen de la recopilación y extracción de datos del lugar

de trabajo.
Las empresas tienen grandes cantidades de datos valiosos sobre el
trabajo y su fuerza laboral, y los ejecutivos reconocen la
127
Shook, Sage-Gavin y Cantrell
oportunidad de utilizar estos datos para mejorar la productividad y motivar
e involucrar a las personas. Pero los empleados son escépticos.
Encuestamos a más de 10ÿ000 trabajadores, en todos los niveles de
habilidad y generaciones, y a 1400 ejecutivos de nivel C, en 13 países y

13 industrias. Descubrimos que más que
El 90% de los empleados están dispuestos a permitir que sus empleadores
recopilen y usen datos sobre ellos y su trabajo, pero solo si se benefician
de alguna manera.1 Y albergan serias preocupaciones sobre cómo las
empresas podrían usar los datos. Quizás por una buena razón: solo el
30 % de los ejecutivos cuyas empresas usan datos de la fuerza laboral
informaron estar muy seguros de que están usando los datos de manera
responsable.
Hay mucho en juego en el mal uso de los datos de los empleados.
Nuestra encuesta midió cómo aumenta o disminuye la confianza de los
empleados en relación con 31 prácticas de datos de la fuerza laboral, y

luego creamos un modelo económico para determinar
el efecto de los niveles de confianza en los ingresos. Encontramos que busi
Las empresas corren el riesgo de perder el 6 % del crecimiento actual de
los ingresos si pierden la confianza de su gente. Por otro lado, una mayor
confianza, o un “dividendo de confianza”, valdría más que un aumento
del 6 % en el crecimiento de los ingresos.
¿Cómo pueden las empresas utilizar los datos del lugar de trabajo
de manera eficaz, responsable y ética? Nuestra investigación sugiere un
marco de tres acciones clave que pueden tomar los líderes responsables.
128
Cómo usar los datos de los empleados de manera responsable
Dé a los empleados más control
Los consumidores se han vuelto muy conscientes de cómo se usa y se usa
indebidamente su información personal. Y han sido respaldados por nuevas leyes y
regulaciones que les dan más control sobre sus datos. Pero este no es el caso en el
lugar de trabajo.
Las protecciones de los datos relacionados con el trabajo de las personas
todavía están años por detrás de los datos relacionados con los consumidores, y la
gobernanza de los datos de la fuerza laboral se inclina fuertemente hacia la corporación.
Si los líderes quieren acceder a datos valiosos, deberán forjar una nueva relación
de "dar y recibir" con los empleados y compartir más control con ellos sobre sus
propios datos.
Por ejemplo, las cámaras montadas en la pared rastrean a cada persona y
activo en el Centro de Confiabilidad y Eficiencia de nuestro cliente Schlumberger en
Denton, Texas, una instalación que lleva a cabo el mantenimiento y la fabricación de
equipos para campos petroleros. Los datos de video se agregan y se anonimizan, y
la IA analiza patrones para mejorar la productividad. Los datos nunca se usan para
monitorear cómo trabajan las personas, pero cualquiera puede optar en privado para
ver sus propios datos de rendimiento. Esto tiene sus beneficios: por ejemplo, la
empresa se basó en los datos para otorgar a los trabajadores descansos más
frecuentes pero más cortos para combatir la fatiga que merma la productividad.
129
Un paso para dar a los empleados más control sería crear un

lugar único donde puedan ver, administrar e incluso eliminar los
datos que su empleador ha recopilado sobre ellos. Por ejemplo,
nuestro cliente Telstra, de Australia
empresa de telecomunicaciones más grande, mantiene un sitio

interno llamado MyCareer que permite a los trabajadores mantener
y actualizar sus propios datos de carrera e incluso cuestionar
cualquier entrada incorrecta o incompleta.
Crear un sistema de controles y equilibrios
Gobernar la recopilación y el uso de cantidades masivas de datos

confidenciales está plagado de riesgos. Las empresas necesitan
un sistema que se base en los controles y equilibrios correctos.
Idealmente, un ejecutivo de nivel C sería responsable de
garantizar que los datos y las tecnologías del lugar de trabajo se
utilicen de manera responsable y ética. Pero menos del 20 % de
las empresas capturadas en nuestra encuesta tienen un ejecutivo
de nivel C a cargo de esto hoy, aunque otro 48 % informó tener
planes para cambiar eso pronto. Algunas empresas incluso están
creando nuevos roles, como el director de ética o el director de
datos, para asumir esta responsabilidad.
Pero debido a que los problemas son tan complejos, el líder
designado debe contar con el apoyo de una coalición a nivel
ejecutivo. Por eso JPMorgan Chase reúne a tres
130
miembros de la suite C: recursos humanos, riesgo y
legal. Como nos dijo el Director de Recursos Humanos, Robin Leopold,

estos líderes “se unen para considerar detenidamente cómo
equilibramos los conocimientos de datos para el beneficio comercial y
el respeto por la privacidad de las personas, mirando a través de la
lente de la resiliencia comercial estratégica, el riesgo y la capacidad
de elevar nuestra gente."
También es importante involucrar a los empleados en estos
esfuerzos para monitorear mejor los datos y la tecnología del lugar de
trabajo. Cuando se les pide a los empleados su opinión sobre cómo
se diseñan y utilizan los sistemas, las empresas pueden evitar causar
daños no deseados.
Utilice los datos para elevar a las personas, no para penalizarlas
Mediante el uso responsable de las nuevas tecnologías y los datos

resultantes, las empresas pueden desbloquear el potencial de su
gente y adelantarse a los temores del "determinismo digital", la idea
de que la tecnología determinará las estructuras sociales, el valor cultural.
problemas y experiencias propias.

Para cumplir con esta responsabilidad, las empresas deben ser
creativas. Por ejemplo, AXA, una multinacional francesa de seguros
con la que trabajamos, ha desarrollado recientemente un asistente de
carrera virtual que utiliza algoritmos de inteligencia artificial para
rastrear las habilidades y los intereses de los empleados. responde preguntas
131
tienen los empleados sobre sus carreras, tales como: ¿Hará un robot mi trabajo?
¿Qué otras opciones laborales hay para mí?
¿Cuál es el mejor entrenamiento para mí? AXA ahora está trabajando en una
extensión que hará coincidir los valores y rasgos de una persona con la cultura
corporativa para garantizar que los empleados estén en el entorno de trabajo
adecuado.
Las empresas también pueden utilizar la tecnología para realizar un
seguimiento del rendimiento de los empleados, tanto para bien (para aumentar
el rendimiento) como para mal (para penalizar a las personas). Muchas
empresas ahora rastrean a las personas, para ver, por ejemplo, qué tan rápido están trabajando.
y comparta resultados en tiempo real en cuadros de mando o en vivo
formato de juego Pero esto puede hacer que los empleados sientan que todos
sus movimientos están siendo observados. Este monitoreo en tiempo real puede
aumentar el estrés de los trabajadores, reducir la satisfacción laboral y aumentar

la rotación.
Pero cuando la motivación es ayudar a las personas a mejorar en lo que
hacen, el seguimiento de los empleados puede ser beneficioso.
En AdventHealth Celebration (anteriormente Florida Hospital Celebration
Health), las enfermeras y los técnicos de atención al paciente usan insignias
integradas con sensores, que rastrean a dónde van durante su turno, mostrando
la frecuencia con la que visitan las habitaciones de los pacientes o la estación
de enfermeras. Según la organización, no han utilizado estos datos con fines
punitivos y los sensores inteligentes han ayudado a mejorar los procedimientos
de almacenamiento de suministros y han hecho que los turnos de las enfermeras
sean más eficientes y su trabajo más fácil.
132
Las empresas también deben usar la tecnología de manera creativa
para reducir los sesgos en la contratación y promoción. Si bien los algoritmos
también pueden estar sesgados, las máquinas inteligentes pueden reducir
la subjetividad y ayudar a los gerentes a tomar decisiones más justas.
Hablando con expertos de la industria, nos enteramos de una empresa
multinacional de servicios financieros que utilizó una herramienta de
reclutamiento impulsada por IA para aumentar las candidatas femeninas
para puestos financieros en un 150 % y las candidatas femeninas para
todos los puestos en un 39 %. Los rasgos cognitivos y sociales de los
candidatos se miden mientras juegan juegos basados en la neurociencia, lo
que proporciona a los líderes los datos respaldados por la ciencia que
predicen el desempeño para tomar decisiones de contratación mejores y menos sesgadas.
Gestión de la compensación entre privacidad y rendimiento
La aparición de la IA y otras tecnologías inteligentes en el lugar de trabajo
exige concesiones entre privacidad y rendimiento. Los datos pueden
desbloquear el potencial de las personas y aumentar el rendimiento
empresarial, pero estos premios no valen la pena si reducen la equidad y la
confianza. Los líderes deben preguntarse: El hecho de que podamos,
¿siempre significa que debemos hacerlo?
Los líderes de C-suite deben poner la confianza en el centro de la
estrategia comercial, en pie de igualdad con el crecimiento y la capacidad
de rentabilidad, ya que la confianza es la moneda definitiva de la era digital.
133
PARA LLEVAR
Cada vez más, las empresas recopilan y analizan datos sobre cómo trabajan sus
empleados para mejorar la productividad y motivar a su gente. Pero los empleados
albergan serias preocupaciones sobre cómo se utilizarán estos datos. Com
Las empresas deben usar esta información de manera responsable y ética para
mantener la confianza de los empleados.
ÿ Brinde a su gente más control al permitirles optar por que se recopilen
sus datos y proporcione un lugar donde puedan ver, administrar e
incluso eliminar sus datos.
ÿ Establecer un sistema de controles y contrapesos por ap
señalando a un líder para monitorear el uso de los datos del lugar de
trabajo. Mantenga a los empleados involucrados en estos esfuerzos.
ÿ Utilizar los datos como motivación o reconocimiento,
y no como evidencia para el castigo. Esto ayudará a evitar la sensación
de que los empleados están siendo observados para ver cuándo
cometen errores. Use estos datos también para ayudar a eludir el
sesgo humano cuando se trata de contratación y promoción.
134
ÿ Los datos relacionados con el trabajo de las personas aún no

están regulados ni protegidos; depende de las empresas
asegurarse de que los utilizan de manera segura y ética.

Pregúntese: “Solo porque podemos recopilar estos datos,
¿siempre significa que debemos hacerlo?”
NOTA
1. Ellyn Shook, Mark Knickrehm y Eva Sage-Gavin, “Decod ing

Organizational DNA”, Accenture, https://www.accenture.com
/us-en/insights/future-workforce/workforce-data-organizacional
-adn.
Adaptado de "Cómo las empresas pueden usar los datos de los empleados de manera responsable" en
hbr.org, 15 de febrero de 2019 (producto n.º H04T19).
135
12
LO IMPULSADO POR IA
TOMA DE DECISIONES
PARECE
por Eric Colson
enfoque para la toma de decisiones operativas. Datos

Muchas puede
empresas se han
mejorar lasadaptado a unpero
decisiones, modelo “basado
requiere el en datos”
procesador adecuado para aprovecharlo al máximo. Mucha
gente asume que el procesador es humano. El término "basado
en datos" incluso implica que los datos son seleccionados y resumidos por:
personas a procesar.
Pero para aprovechar al máximo el valor contenido en los
datos, las empresas deben incorporar la inteligencia artificial a sus
137
Colson
flujos de trabajo y, a veces, sacarnos a los humanos del camino.
Necesitamos evolucionar de flujos de trabajo basados en datos a flujos de

trabajo basados en IA.
Distinguir entre "basado en datos" y "basado en IA" no es solo
semántica. Cada término refleja diferentes activos, el primero centrado en
los datos y el segundo en la capacidad de procesamiento. Los datos
contienen los conocimientos que pueden permitir mejores decisiones; el
procesamiento es la forma de extraer esos conocimientos y tomar medidas.
Tanto los humanos como la IA son procesadores, con habilidades muy
diferentes. Para comprender la mejor manera de aprovechar cada uno, es
útil revisar nuestra propia evolución biológica y cómo ha evolucionado la
toma de decisiones en la industria.
Hace apenas 50 a 75 años, el juicio humano era el procesador central
de la toma de decisiones comerciales (consulte la figura 12-1).
Los profesionales confiaron en sus intuiciones altamente afinadas,
desarrolladas a partir de años de experiencia (y una cantidad relativamente
pequeña de datos) en su dominio, para, por ejemplo, elegir la creatividad
adecuada para una campaña publicitaria, determinar los niveles correctos
de inventario para almacenar o aprobar las inversiones financieras
correctas. La experiencia y el instinto eran la mayor parte de lo que estaba
disponible para distinguir lo bueno de lo malo, lo alto de lo bajo y lo

arriesgado de lo seguro.
Era, quizás, demasiado humano. Nuestras intuiciones están lejos de
ser instrumentos ideales para la toma de decisiones. Nuestros cerebros
138
Cómo se ve la toma de decisiones impulsada por IA
FIGURA 12-1
Un modelo de toma de decisiones basado en el juicio humano
Humano Negocio
juicio decisiones
están infligidos con muchos sesgos cognitivos que afectan

nuestro juicio de manera predecible. Este es el resultado de
cientos de miles de años de evolución en los que, como primeros
cazadores-recolectores, desarrollamos un sistema de
razonamiento que se basa en simples heurísticas: atajos o reglas
generales que eluden el alto costo de procesar una gran cantidad
de información. Esto permitió tomar decisiones rápidas, casi
inconscientes, para sacarnos de situaciones potencialmente peligrosas.
Sin embargo, "rápido y casi inconsciente" no siempre significaba
óptimo o incluso preciso.
Imagine un grupo de nuestros antepasados cazadores-
recolectores acurrucados alrededor de una fogata cuando de
repente susurra un arbusto cercano. Es necesario tomar una
decisión del tipo “rápida y casi inconsciente”: concluir que el
susurro es un depredador peligroso y huir, o recopilar más
información para ver si es una presa potencial, por ejemplo, un
conejo, que podría proporcionar nutrientes ricos. Nuestros antepasados más imp
aquellos que decidieron huir sobrevivieron a una tasa mayor que
139
Colson
sus compañeros más curiosos. El costo de huir y perder un conejo era mucho
más bajo que el costo de quedarse y arriesgarse a perder la vida por un
depredador.
Con tal asimetría en los resultados, la evolución favorece el rasgo que conduce
a consecuencias menos costosas, incluso sacrificando la precisión. Por lo
tanto, el rasgo de una toma de decisiones más impulsiva y un menor
procesamiento de la información se vuelve predominante en la población
descendiente.
En el contexto moderno, las heurísticas de supervivencia se convierten en
innumerables sesgos cognitivos precargados en nuestros cerebros heredados.
Estos sesgos influyen en nuestro juicio y toma de decisiones de maneras que
se apartan de la objetividad racional. Damos más peso del que deberíamos a
eventos vívidos o recientes.
Clasificamos toscamente a los sujetos en amplios estereotipos que no explican
suficientemente sus diferencias. Nos basamos en la experiencia previa incluso
cuando es completamente irrelevante. Tendemos a evocar explicaciones
engañosas para eventos que en realidad son solo ruido aleatorio. Estas son
solo algunas de las docenas de formas en que el sesgo cognitivo afecta el
juicio humano, un sesgo que durante muchas décadas fue el procesador central
de la toma de decisiones comerciales. Ahora sabemos que la intuición humana
es ineficiente, caprichosa y falible, y confiar únicamente en ella limita la
capacidad de la organización.
140
Toma de decisiones respaldada por datos
Gracias a Dios, entonces, por los datos. Los dispositivos conectados

ahora capturan volúmenes impensables de datos: cada transacción,
cada gesto del cliente, cada indicador micro y macroeconómico, toda
la información que puede informar
mejores decisiones. En respuesta a este nuevo entorno rico en datos,

hemos adaptado nuestros flujos de trabajo. Los departamentos de TI
respaldan el flujo de información utilizando máquinas (bases de datos,
sistemas de archivos distribuidos y similares) para reducir los
volúmenes inmanejables de datos a resúmenes digeribles para el
consumo humano. Luego, los humanos procesan los resúmenes
utilizando herramientas como hojas de cálculo, paneles y aplicaciones
de análisis.
Eventualmente, los datos altamente procesados, y ahora
manejablemente pequeños, se presentan para la toma de decisiones.
Este es el flujo de trabajo "basado en datos", como se muestra en la
figura 12-2. El juicio humano sigue siendo el procesador central, pero
ahora utiliza datos resumidos como una nueva entrada.
Si bien es indudable que es mejor que confiar únicamente en la
intuición, los humanos que desempeñan el papel de procesador
central aún sufren varias limitaciones:
1. No aprovechamos todos los datos. Los datos resumidos

pueden oscurecer muchos de los conocimientos, relaciones,
141
Colson
FIGURA 12-2
Un modelo de toma de decisiones que utiliza datos resumidos
Máquinas
Grande
Resumido Humano Negocio
datos datos juicio decisiones
y patrones contenidos en el (gran) conjunto de datos original.

La reducción de datos es necesaria para acomodar el
rendimiento de los procesadores humanos. Por mucho que
seamos expertos en digerir nuestro entorno, procesando sin
esfuerzo grandes cantidades de información ambiental,
estamos notablemente limitados cuando se trata de procesar
los datos estructurados que se manifiestan como millones o
miles de millones de registros. La mente
puede manejar números de ventas y precios de venta

promedio acumulados a nivel regional. Tiene dificultades o
se cierra una vez que comienza a pensar en la distribución
completa de los valores y, lo que es más importante, en las
relaciones entre los elementos de datos: información que se
pierde en los resúmenes agregados pero que es importante
para una buena toma de decisiones. (Esto no quiere decir
que los resúmenes de datos no sean útiles. Sin duda, son
excelentes para proporcionar una visibilidad básica del negocio.
Pero proporcionarán poco valor para su uso en
142
Toma de decisiones. Se pierde demasiado en la preparación

para humanos). En otros casos, los datos resumidos pueden
ser completamente engañosos. Los factores de confusión

pueden dar la apariencia de una relación positiva cuando en
realidad es lo contrario (ver Simpson y otras paradojas). Y una
vez que se agregan los datos, puede ser imposible recuperar
los factores contribuyentes para controlarlos adecuadamente.
(La mejor práctica es usar ensayos controlados aleatorios, es
decir, pruebas A/B. Sin esta práctica, es posible que ni siquiera
la IA pueda controlar adecuadamente los factores de
confusión). En resumen, al usar humanos como procesadores
centrales de datos, todavía estamos sacrificando la precisión
para eludir el alto costo del procesamiento de datos humanos.
2. Los datos no son suficientes para aislarnos de la cognición

parcialidad. Los resúmenes de datos son dirigidos por
humanos de una manera que es propensa a todos esos
sesgos cognitivos. Dirigimos el resumen de una manera que es intui
tivo para nosotros. Pedimos que los datos se agreguen en

segmentos que consideremos arquetipos representativos.
Sin embargo, tenemos esa tendencia a clasificar toscamente
a los sujetos en amplios estereotipos que no explican
suficientemente sus diferencias. Por ejemplo, podemos
resumir los datos en atributos como la geografía incluso
143
Colson
cuando no hay una diferencia perceptible en el comportamiento
entre regiones. Los resúmenes también se pueden considerar
como un "grano grueso" o una aproximación más aproximada de
los datos. Por ejemplo, un atributo como la geografía debe
mantenerse en un nivel de región en el que haya relativamente

pocos valores (es decir, "este" frente a "oeste"). Lo que importa
puede ser más fino que estos (ciudad, código postal, incluso datos
a nivel de calle), pero estos son más difíciles de agregar y de
procesar para el cerebro humano. También preferimos relaciones
simples entre elementos, pensando en las relaciones como
lineales porque nos resulta más fácil de procesar.
La relación entre el precio y las ventas, la penetración de
mercado y la tasa de conversión, el riesgo crediticio y los

ingresos, se supone que todos son lineales incluso cuando el
los datos sugieren lo contrario. Incluso nos gusta evocar
explicaciones elaboradas para las tendencias y la variación en
los datos cuando éstas se explican más adecuadamente por la

variación natural o aleatoria.
Por desgracia, estamos acomodando nuestros sesgos cuando

procesamos los datos.
Llevando la IA al flujo de trabajo
Necesitamos evolucionar aún más e incorporar la IA en el flujo de trabajo
como procesador principal de datos. Para decisiones rutinarias que
144
solo confíe en datos estructurados, es mejor que deleguemos las

decisiones a la IA. La IA es menos propensa al sesgo cognitivo humano.
(Existe un riesgo muy real de usar datos sesgados que pueden hacer
que la IA encuentre relaciones engañosas que son injustas.
Asegúrese de entender cómo se generan los datos además de cómo
se usan). La IA puede ser entrenada para encontrar segmentos en el
población que mejor explican la varianza a niveles de grano fino,
incluso si no son intuitivos para nuestra percepción humana. AI no
tiene problemas para tratar con miles o incluso millones de
agrupaciones. Y la IA se siente más que cómoda trabajando con
relaciones no lineales, ya sean exponenciales, leyes de potencia,
series geométricas, distribuciones binomiales u otras.
Este flujo de trabajo, que se muestra en la figura 12-3, aprovecha

mejor la información contenida en los datos y es más consistente y
objetivo en sus decisiones. Puede determinar mejor qué anuncio
publicitario es más eficaz, el
FIGURA 12-3
Un modelo de toma de decisiones que utiliza IA
Máquinas
Grande
Negocio
AI
datos decisiones
Fuente: Eric Colson
145
Colson
niveles óptimos de inventario a establecer, o qué inversiones financieras

hacer.
Si bien los humanos se eliminan de este flujo de trabajo, es
Es importante tener en cuenta que la mera automatización no es el objetivo
de un flujo de trabajo impulsado por IA. Claro, eso puede reducir los costos,
pero esto es solo un beneficio incremental. El valor de la IA radica en tomar
mejores decisiones que las que pueden tomar los humanos por sí solos.
Esto crea una mejora radical en la eficiencia y habilita nuevas capacidades.
Aprovechando tanto la IA como los humanos

Procesadores en el flujo de trabajo
Eliminar a los humanos de los flujos de trabajo que solo involucran el
procesamiento de datos estructurados no significa que los humanos estén
obsoletos. Hay muchas decisiones comerciales que dependen de algo más
que datos estructurados. Las declaraciones de visión, las estrategias de la
empresa, los valores corporativos y la dinámica del mercado son ejemplos
de información que solo está disponible en nuestra mente y se transmite a
través de la cultura y otras formas de comunicación no digital. Esta
información es inaccesible para la IA y extremadamente relevante para las
decisiones comerciales.
Por ejemplo, la IA puede determinar objetivamente los niveles de
inventario correctos para maximizar las ganancias. Sin embargo, en un com
146
En un entorno competitivo, una empresa puede optar por niveles de

inventario más altos para brindar una mejor experiencia al cliente,
incluso a expensas de las ganancias. En otros casos, AI puede
determinar que invertir más dólares en marketing tendrá el ROI más

alto entre las opciones disponibles para la empresa. Sin embargo, una
empresa puede optar por moderar el crecimiento para mantener los
estándares de calidad.
La información adicional disponible para los humanos en el
forma de estrategia, valores y condiciones de mercado pueden merecer

una desviación de la racionalidad objetiva de la IA. En tales casos, la
IA se puede utilizar para generar posibilidades a partir de las cuales los
humanos puedan elegir la mejor alternativa dada la información
adicional a la que tienen acceso. El orden de ejecución de dichos flujos
de trabajo es específico de cada caso. A veces, la IA es la primera en
reducir la carga de trabajo de los humanos (consulte la figura 12-4). En

otros casos, el juicio humano puede proporcionar información para el
procesamiento de IA. Todavía en otros casos, puede haber una
iteración entre la IA y el procesamiento humano.
La clave es que los humanos no interactúan directamente con los
datos, sino con las posibilidades que produce el procesamiento de los
datos por parte de la IA. Los valores, la estrategia y la cultura nos
permiten conciliar nuestras decisiones con una racionalidad objetiva.
Esto se hace mejor de manera explícita y plenamente informada. Al
aprovechar tanto la IA como los humanos, podemos tomar mejores
decisiones que si usamos cualquiera de los dos por separado.
147
Colson
FIGURA 12-4
Un modelo de toma de decisiones que combina el poder de

la IA y el juicio humano
Máquinas Otra información
(no digital)
Grande
Posible Humano Negocio
AI
datos comportamiento juicio decisiones
Fuente: Eric Colson
La siguiente fase en nuestra evolución
Pasar de estar basado en datos a estar basado en IA es la siguiente

fase de nuestra evolución. Adoptar la IA en nuestros flujos de trabajo
permite un mejor procesamiento de datos estructurados y permite
que los humanos contribuyan de manera complementaria.
Es improbable que esta evolución ocurra dentro de la organización
individual, así como la evolución por selección natural no ocurre
dentro de los individuos. Más bien, es un proceso de selección que
opera sobre una población. Las organizaciones más eficientes
sobrevivirán a un ritmo mayor. Dado que es difícil para las empresas
maduras adaptarse a los cambios en el entorno, sospecho que
veremos el surgimiento de nuevas empresas que adopten tanto la IA
como la contribución humana.
148
ciones desde el principio e incorporarlas de forma nativa en sus flujos

de trabajo.
PARA LLEVAR
Muchas empresas han adoptado un enfoque "basado en datos" para la
toma de decisiones operativas. Pero los humanos tienen limitaciones
cuando se trata de clasificar información y analizar datos. Para
aprovechar al máximo el valor de los datos, las empresas deben
incorporar la IA.
ÿ La toma de decisiones humanas es inherentemente defectuosa,
ya que somos víctimas de heurísticas y sesgos cognitivos
que afectan nuestro juicio.
ÿ La IA puede brindar la oportunidad de clasificar grandes
cantidades de datos y ofrecer decisiones más objetivas. Para
las decisiones de rutina que se basan en datos estructurados,
es mejor delegar las decisiones a la IA, ya que no tiene
problemas para clasificar grandes cantidades de datos.
ÿ Muchas otras decisiones comerciales (declaraciones de visión,
estrategias de la empresa, etc.) requieren una combinación de IA y
149
Colson
juicio humano. En estos casos, la IA debe usarse

para generar las posibilidades, de las cuales los
humanos pueden elegir la mejor alternativa.
Adaptado del contenido publicado en hbr.org, 8 de julio de 2019 (producto n.º H050C4).
150
13
CÓMO LAS EMPRESAS PUEDEN
USA LOS DATOS QUE ELLOS
RECOGER PARA ADELANTE
EL BIEN PÚBLICO
por Edward L. Glaeser, Hyunjin Kim y Michael Luca
A finales dede2017,
millones reseñasYelp habíalocales.
de empresas acumulado
Mientras más de 140
que el com
La misión de la empresa se centra en ayudar a las personas a
encontrar negocios locales más fácilmente, esta gran cantidad de datos
tiene el potencial de servir para otros propósitos. Por ejemplo, los datos de
Yelp podrían ayudar a los restaurantes a comprender a qué mercados
deberían considerar ingresar o si agregar una barra. Puede ayudar a los bienes raíces
151
Glaeser, Kim y Luca
los inversores entienden dónde puede ocurrir la gentrificación.
Y podría ayudar a las firmas de capital privado interesadas en el café a

decidir si invertir en Philz o en Blue Bottle.
El valor potencial de los grandes conjuntos de datos que acumulan
las empresas privadas plantea nuevas oportunidades y desafíos para
los gerentes que toman decisiones estratégicas sobre datos.
Si bien hay muchos ejemplos muy publicitados de reutilización de datos
que salió mal, creemos que sería una pena que las empresas decidieran
que la única opción es acumular sus datos.
Antes de decidir que sus datos no se pueden utilizar para otro uso,
considere cómo podrían ayudar a aumentar las fuentes de datos públicos.

Por ejemplo, en un artículo reciente, exploramos el potencial de los
datos de Yelp para medir el cambio económico local y aumentar los
datos oficiales, a menudo del censo de EE. UU., que durante mucho
tiempo ha sido el pan de cada día de los análisis económicos.1 Nuestra
motivación era simple : Los datos del censo son valiosos pero pueden
ser lentos y toscos. Los datos del censo de cara al público pueden
decirle si se están abriendo más restaurantes en un código postal, pero
solo después de varios años. Los datos de Yelp pueden decirle, casi en
tiempo real, no solo si los restaurantes abren en un código postal, sino
incluso si abren restaurantes más asequibles en una cuadra específica.
Descubrimos que los datos de Yelp pueden ayudar a predecir

significativamente las tendencias en la economía local mucho antes de
que los datos del censo estén disponibles, especialmente en las partes
más urbanas, más educadas y más ricas del país.
152
Cómo las empresas pueden usar los datos que recopilan para promover el bien público
Esto habla del potencial más amplio de los datos de las plataformas
en línea para mejorar nuestra comprensión de todo Estados Unidos. Así
como Yelp puede arrojar luz sobre los cambios económicos locales,
Zillow podría informar nuestra comprensión de los mercados de la
vivienda, LinkedIn podría proporcionar información sobre los mercados
laborales y Glassdoor podría enseñarnos sobre la calidad de las
opciones de empleo en un área. Las empresas reconocen cada vez
más la posibilidad de reutilizar sus datos de esta manera para el bien
público. Pero reutilizar los datos puede tener beneficios para una
empresa mucho más allá del cálido brillo de haber hecho algo bueno. A
medida que los investigadores trabajan con los datos, pueden surgir
nuevos conocimientos sobre sus datos y las opciones de diseño de la
plataforma. A medida que los formuladores de políticas confían en los
conocimientos de los datos, se pueden formar nuevas relaciones y
facilitar colaboraciones valiosas. Los esfuerzos de datos de cara al
público también pueden aumentar el conocimiento de la marca de una empresa:
Permitiendo a las empresas hacerlo bien haciendo el bien.
Por supuesto, hay momentos en los que reutilizar los datos no es

una opción, porque los datos son confidenciales o no tan útiles. Pero a
menudo vemos ejemplos en los que un uso potencialmente exitoso de
una nueva fuente de datos falla debido a una ejecución deficiente.
Basándonos en nuestra investigación académica que evalúa las
fuentes de datos reutilizadas, así como en nuestro trabajo con las
organizaciones, vemos que los principios rectores simples pueden
ayudar a las empresas a comprender cómo reutilizar con éxito sus datos.
153
Glaeser, Kim y Luca
Principio 1: Comprenda su perspectiva única
Al decidir si usar sus datos y cómo hacerlo, es crucial tomarse el

tiempo para comprender si esto en
la formación tiene un valor real en relación con lo que la gente ya

tiene acceso. Comience por buscar los mejores datos disponibles.
Elija un punto de referencia ampliamente aceptado y establezca un
objetivo limitado para ver si puede agregar valor de manera
significativa y dónde.
Al observar los datos de Yelp, por ejemplo, consideramos los

datos del censo como un punto de referencia importante, ya que es
algo que se usa comúnmente en el trabajo de investigación y
políticas. Y establecimos el objetivo limitado de comprender si los
datos de Yelp pueden aumentar los puntos de datos existentes con
variables adicionales y proporcionar información más actualizada (ya
que se actualiza en tiempo real, mientras que el censo se realiza
cada 10 años). Este tipo de mejoras incrementales puede,
paradójicamente, conducir a las mayores ganancias, al asegurarse
de que va por el camino correcto.
Principio 2: Desarrollar análisis creíbles
Por cada nuevo y emocionante uso de los datos digitales que hemos
encontrado, hemos visto que muchos otros fallan en la entrega. Suc
154
reutilizar con éxito los datos requiere tomarse en serio los puntos
de referencia y validarlos de forma cruzada. Si sus datos no
coinciden con los puntos de referencia existentes, entonces debe
comprender por qué. Si las diferencias son irreconciliables,
entonces podría reconsiderar el valor de sus datos en esa
dimensión. Y si sigue adelante con el uso de los datos, es
importante pensar en el mejor enfoque para el análisis, teniendo
en cuenta la falta de coincidencia.
El análisis creíble también requiere comprender y ser
transparente acerca de las fortalezas y limitaciones de sus datos.
Volviendo al ejemplo de Yelp, destacamos las fortalezas anteriores.
Una limitación es que la cobertura de Yelp varía con el tiempo y
entre lugares. Mantener la credibilidad y aprovechar al máximo los
datos requiere comprender y tener en cuenta esta y otras
limitaciones en el análisis y las conclusiones extraídas de los datos.
Principio 3: Construir alianzas
Incluso una empresa que tiene un gran equipo de datos internos

puede no tener las habilidades adecuadas para producir datos de
cara al público que tendrán un impacto real. Trabajar con
investigadores externos y formuladores de políticas puede ayudarlo
a medir el interés general, crear un producto que tenga credibilidad
y desarrollar ideas que crearán valor para una audiencia más amplia.
155
Glaeser, Kim y Luca
No existe tal cosa como un conjunto de datos perfecto. Esta

es la razón por la que las nuevas fuentes de datos son valiosas
y por la que reutilizar los datos puede ser difícil. Las empresas
tecnológicas ahora están recopilando cantidades de datos sin
precedentes y tienen el potencial de mejorar en gran medida
nuestra comprensión de la economía y la política. Las
calificaciones de Yelp ahora se utilizan para una variedad de
propósitos, que incluyen predecir qué restaurantes tienen más
probabilidades de infringir el código de salud, identificar qué
negocios se verán afectados por los aumentos del salario mínimo
y arrojar luz sobre cómo están evolucionando los vecindarios
gentrificados. .2 Otras plataformas tienen un potencial similar. Y
cuando se hace con cuidado y de manera gradual, cada
plataforma agrega una pieza al rompecabezas, lo que lleva a una
comprensión más profunda y matizada de la economía, al mismo tiempo que cos
empresa.
PARA LLEVAR
Las empresas están sentadas sobre montones de datos que

podrían beneficiar a la sociedad. Si bien hay muchos ejemplos
de reutilización de datos que salió mal, sería una pena que las
empresas decidieran que la única opción es acumular sus datos. Simple
156
Los principios rectores pueden ayudar a las empresas a comprender

cómo reutilizar sus datos con éxito.
ÿ Al decidir si compartir datos para el bien público o cómo

hacerlo, considere cómo podría aumentar la información a la
que las personas ya tienen acceso. Busque los mejores datos
disponibles. Luego, elija un punto de referencia ampliamente
aceptado y establezca un objetivo limitado para ver si puede
agregar valor de manera significativa y dónde.
ÿ Si sus datos no coinciden con los puntos de referencia

existentes, intente comprender por qué. Si las diferencias
son irreconciliables, reconsidere el valor de sus datos en
esa dimensión. Comprenda las fortalezas y limitaciones
de sus datos y sea transparente al respecto.
ÿ Trabajar con investigadores externos y formular políticas.

ers para medir el interés general en sus datos, crear un
producto que tendrá credibilidad y desarrollar en vistas que
crearán valor para una audiencia más amplia.
NOTAS
1. Edward L. Glaeser, Hyunjin Kim y Michael Luca, “Nowcasting the Local

Economy: Using Yelp Data to Measure Economic Activity”, Documento
de trabajo de la unidad NOM de la Escuela de Negocios de Harvard n.º
18-022, septiembre de 2017.
157
Glaeser, Kim y Luca
2. Edward L. Glaeser, Andrew Hillis, Scott Duke Kominers y Michael

Luca, “Crowdsourcing City Government: Using Tour naments to
Improve Inspection Accuracy”, American Economic Review 106, no.
5 (mayo de 2016); Dara Lee Luca y Michael Luca, "Survival of the
Fittest: The Impact of the Minimal Wage on Firm Exit", Documento
de trabajo de la unidad NOM de la Escuela de Negocios de Harvard
No. 17-088, abril de 2017, rev. agosto de 2018; y Glaeser et al., "Now
casting the Local Economy".
Adaptado del contenido publicado en hbr.org, 16 de mayo de 2018 (producto n.° H04BXA).
158
Sobre los Colaboradores
SCOTT BERINATO es editor sénior en Harvard Business Re
view y el autor de Good Charts Workbook: Tips, Tools,

y Ejercicios para hacer mejores visualizaciones de datos (Har
vard Business Review Press, 2019) y Good Charts: The
Guía HBR para hacer visualizaciones de datos más inteligentes
y persuasivas (Harvard Business Review Press, 2016).
NICHOLAS BLOOM es el Profesor William Eberle de Economía
ics en la Universidad de Stanford y codirector del programa de

Productividad, Innovación y Emprendimiento en la Oficina
Nacional de Investigación Económica.
HUGO BOWNE-ANDERSON, PHD, es científico de datos y educador en
DataCamp, así como el presentador del podcast DataFramed.

Síguelo en Twitter @hugobowne.
TOBIAS BRANDT es profesor asistente de Gestión de la Información
Empresarial en la Escuela de Gestión de Rotterdam de la Universidad
Erasmus en los Países Bajos.
159
SUSAN CANTRELL es investigadora sénior y escritora de Accenture.
ERIC COLSON es director de algoritmos en Stitch Fix.

Antes de eso, fue vicepresidente de ciencia e ingeniería
de datos en Netflix. Síguelo en Twitter @ericcolson.
THOMAS H. DAVENPORT es Profesor Distinguido del

Presidente en Gestión y Tecnología de la Información en Babson
College, investigador en la Iniciativa del MIT sobre la Economía
Digital y asesor principal en Deloitte Analytics. Es autor de más
de una docena de libros de gestión, los más recientes, Only
Humans Need Apply: Win ners and Losers in the Age of Smart
Machines y The AI Advantage.
EDWARD L. GLAESER es profesor de Economía Fred and

Eleanor Glimp en Harvard.
NIKLAS GOBY es científico de datos en ZF, un proveedor

automotriz global con sede en Friedrichshafen, Alemania, y
candidato a doctorado en la Universidad de Freiburg, también en Alemania.
HYUNJIN KIM es candidata a doctorado en la unidad de

estrategia de Harvard Business School. Su investigación explora
cómo las organizaciones pueden mejorar la toma de decisiones
estratégicas y la productividad en la economía digital.
160
CASSIE KOZYRKOV es la directora científica de decisiones de Google.
CHRIS LITTLEWOOD es el director de innovación y producto de

filtered.com, una empresa de tecnología educativa que utiliza IA
para aumentar la productividad al hacer recomendaciones de
aprendizaje. Sígalo en Twitter @filtered_chris.
MICHAEL LUCA es profesor asociado de administración de empresas Lee J.

Styslinger III en Harvard Business School
y coautor (con Max Bazerman) de The Power of Experiments:

Decision Making in a Data-Driven World.
DIRK NEUMANN es profesor y catedrático de Investigación de Sistemas de
Información en la Universidad de Freiburg, Alemania.
NICOLA PIERRI es candidata a doctorado en la Universidad de Stanford.
THOMAS C. REDMAN, "el médico de datos", es presidente de Data Quality
Solutions. Ayuda a empresas y personas, incluidas empresas emergentes,
multinacionales, ejecutivos y líderes de todos los niveles, a trazar sus rumbos

hacia futuros basados en datos. Él pone especial énfasis en la calidad, el
análisis y las capacidades organizacionales.
EVA SAGE-GAVIN dirige la práctica de Talento y Organización de Accenture.
161
ERIC SIEGEL, PHD, es el fundador de la serie de

conferencias Predictive Analytics World y Deep
Learning World y editor ejecutivo de The Predictive
Analytics Times. Es autor del galardonado libro
Predictive Analyt ics: The Power to Predict Who Will
Click, Buy, Lie, or Die, presentador de la serie web The
Dr. Data Show, ex profesor de la Universidad de Co
lumbia y renombrado orador, educador y líder en el
campo. Síguelo en Twitter @predictanalytic.
JOEL SHAPIRO, JD, PHD, es profesor asociado clínico y director ejecutivo
del programa de análisis de datos en la Kellogg School of Management de
Northwestern.
ELLYN SHOOK es directora de liderazgo y recursos humanos de Accenture.
DAVE SUTTON es presidente y director ejecutivo de TopRight, una
empresa de marketing estratégico con sede en Atlanta que presta servicios
a empresas de la lista Global 2000. También es el autor de Marketing, Interrupted.
162
Índice
Información de Aberdeen, 75–76 flujos de trabajo con, 137–138,

Celebración AdventHealth, 132 144–146
agilidad, 80, 105–106 suposiciones, hacer, 45–46

Amazonas, 7, 118 automatización, 146
analistas, 31–41 AXA, 131–132
analítica
para inteligencia artificial y aprendizaje
automático, 38–39 modelo bolsa de palabras, 17
creíble, 154–155 comportamiento, determinando el
para la toma de decisiones, 38 “por qué” de, 43–51
elementos esenciales para, 3–10 Berinato, Scott, 85–111
importancia de las personas en, xvii sesgo, 133, 139–140

clientes internos para, 63 cognitivo, 139–140, 143–144,
predictivo, 21–29 145
habilidades para, 31–41 Bloom, Nicolás, 73–83
velocidad y excelencia en, 35–36 Núcleo azul, 118–125
estratégico versus táctico, xii– Bowne-Anderson, Hugo, 11–19,

xvi 86
uso de datos de empleados Brandt, Tobías, 61–71

en, 127–135 Brinton, Willard, 87, 110
laboratorios de análisis, 61–70 modelos de negocio, 5–6
inteligencia artificial (IA), xiii,

13
análisis para, 38–39 Cantrell, Susan, págs. 127-135
toma de decisiones impulsada por, desarrollo profesional, 131–132

118–120, 137–150 análisis de causas, 43–48
163
Índice
Asistente para gráficos, 90–91 cultura, xi–xii

hacer clic y ver, 90–91, 92 enfrentamientos, superación, 101–105
Clickclickclick.click, 134 basado en datos, xiv, xv
Clinton, Hillary, 12 intercambio de información en, 146

computación en la nube, 14–15, por tener éxito con los datos, 6–7
73–83 clientes
adopción en todas las industrias, interno, 63, 66, 70

76–77 segmentación de, 122–124
tasas de adopción de, 75–76, 78 comunicación dirigida a, 115–126
en empresas pequeñas y jóvenes, 77–81
Cloudera, 17
sesgos cognitivos, 139–140,

143–144, 145 datos
colaboración, 88–89, 107, analistas, 31–41
155-156 sesgos cognitivos y, 143–144
colocación, 107–108 comunicar sobre, 11–12, 86–111
Colson, Eric, 104–105, 108,
137–150 conclusiones basadas en, 36–37
comunicación, 66, 146 toma de decisiones respaldada
sobre datos, 11–12, 86–111 por, 141–145
lote y explosión, 117, 120 empleado, usando responsablemente,
a través de correo electrónico y redes sociales, 127–135
118–121 elementos esenciales para, 3–10
cómo falla, 92–93 ética y, 13
persuasivo, 85–111 formas de, 15–18
habilidades para, 94–99 generación, recolección y
narración en, 36–37 almacenamiento de, 13–15
dirigido, 116, 118–120 imagen, 16, 19
ganar clientes con, 115–126 monetización de, 5–6, 10
preparación, 91–106
factores de confusión, 143 presentación a no expertos, 86–
consultores, 27, 29 111
Correll, Michael, 96 calidad, 4–5, 8–9, 156
164
Índice
reducción, 142–143 científicos de datos, xiv–xv, 6
reutilización para el bien público, alternativas a, 31–41
151–158 comunicación con ejecutivos, 85–111

habilidades, priorizando las necesidades,
53–59 demanda de, 21, 85
narración y, 36–37 como expertos en dominios, 67–68

estructurado, 105–106 expectativas para, 88, 91
tabular, 15–16, 19 formas de datos utilizadas por, 15–18
formación, para aprendizaje selfie de datos (extensión del navegador),
automático, 26 14
no estructurado, 17–18, 19 disputa de datos, 95

visualización, 87–88, 90–91 visualización de datos Ver visualización
para qué es bueno y para qué no, 43– Davenport, Thomas H., xi–xvii,
51 24
análisis amplio versus profundo de, toma de decisiones, xi–xii

34–35 Impulsado por IA, 118–120, 137–150
preguntas de “por qué” y, 43–51 papel de los analistas en, 37–38
análisis de datos, 95–96 análisis para, 38

culturas basadas en datos, xiv, xv alfabetización de datos para, 12
toma de decisiones basada en datos, con datos, 141–145

138 juicio humano en, 138–140
flujos de trabajo basados en datos, aprovechando la IA y los humanos en,
141–145 146–148
Ciencia de los datos defensa, 8, 10
definir objetivos para, despliegue, de proyectos, 25–26

22–24 habilidades de diseño, 97
obtener valor de, 86–87 determinismo digital, 131

jerarquía de necesidades en, 13 expertos en dominios, 66, 67–68, 71
persuasión y, 85–111
habilidades necesarias para, 94–99
narración y, 36–37 comercio electrónico, 79
talento para, xiv–xv, 21, 31–41, empatía, 104–105

100–105 datos de empleados, 127–135
165
Índice
empleados. Véase datos de imagen, 16,

empoderamiento del talento, 19 implementación, de análisis, xiii–
106, 108 ética, 13 datos de xiv
empleados y, 127–135 ejecución, innovación, 67

65–66, 70 ejecutivos, apoyo de, 67, internet de las cosas, 14, 141
71 experimentación, 80
JPMorgan Chase, 130-131
Facebook, 7, 14, 96–97

filtrado, 57 Kaggle, 86
cincotreintaocho, 12 KenSci, 74–75
Kim, Hyun Jin, 151–158

Kozyrkov, Cassie, xiii, 31–41
Protección de datos generales
Regulación (GDPR), 15
Glaeser, Edward L., 151–158 problema de última milla, 87–89, 100–
Glassdoor, 153 Goby, Niklas, 61– 101 liderazgo, 7 comunicación entre
71 Google, xiii, 7 gobernanza, 130– datos
131 Métodos gráficos para presentar científicos y, 92–93 uso
hechos (Brinton), 87 de datos de empleados y, 130–131

análisis predictivo y, 23–24, 27 para
proyectos, 107 artes liberales, 96
heurística, 139–140 Valores de por vida (LTV), 16

contratación, xiii para LinkedIn, 153
habilidades de comunicación, Littlewood, Chris, 53–59
100-101 Lucas, Michael, 151-158
especialistas en datos, xiii, 39–40, 88

reducir el sesgo en, 133 campañas
navideñas, 120–121 hipótesis, 37 aprendizaje automático, 13
análisis para, 38–39
166
Índice
consultores en, 27, 29 asociaciones, 155–156

datos para capacitación, 16, análisis de personas, 127–135
26 excelencia en, 33–34 computación en la nube de
planificación del despliegue de, 25–26 rendimiento y 81 privacidad de
análisis predictivo y, 23 especialistas, datos y 133 empleados,
33–35, 38–39, 41 seguimiento,
Marketing, interrumpido (Sutton), 132-133
116 reuniones, 103–104 tutoría, impacto de los datos en,

104–105 4 especialistas en aprendizaje
automático y, 33–34 computadoras
Microsoft Excel, 55, 90–91 personales (PC), 79 perspectiva, 154
construcción de modelos, 13
Mohamood, Fayez, 118 Pierri, Nicola, 73–83
Murray, Ian, 115–126 proyectos piloto, 27, 29

Murray, Shep, págs. 115–126 cabeza de pivote, 75
Técnicas prácticas de gráficos

(Spear), 89–90
Neumann, Dirk, 61-71 análisis predictivo, 21–29 definición
Newsie, 17 de, 22–23 planificación de la
procesamiento de números, 25–28, 29 implementación de, 25–26
selección de software versus
objetivos, 22–24, 25–26, 28 habilidades de equipo para, 24
Olson, Randal, 100–101 Predictive Analytics World, 24 audiencias

agilidad operativa, 80 predictivas, 119 modelo predictivo, 12,
capacidades organizacionales, 6– 16–17, 23,
7, 10 estructura organizacional, 121–122
6, 7 autoridades externas, 67, 71 presentaciones, 89–111

privacidad, 8 servicios en
la nube y, 15 datos de
empleados y, 127–135 desempeño

técnicas de análisis pareadas, y, 133 modelos probabilísticos, 12
107–108
167
Índice
resolución de Siegel, Eric, 21–29

problemas identificación de silos, 4–5, 7
problemas de alto impacto habilidades, xi–xii, xiv–xv
para, 64–65, 70 “qué” versus “por qué” en, de analistas, 31–41

43–51 comunicación, 11–12,
gestión de proyectos, 95, 88–111

105–106 datos de empleados y, 131–133
bien público, 151–158 para análisis predictivo, 24, 28
priorización necesaria, 53–59 para
análisis estratégico, xiii para el éxito
enfoque cualitativo, 46–47 con los datos, 6–7 para equipos, 94–
99 amplio frente a profundo, 34–35
ensayos controlados aleatorios, pequeñas empresas, 73–83

143 análisis de redes sociales, 47
regulaciones, 8, 10, 15, 129 selección de software, 24 Spear,
Redman, Thomas C., 3–10 Mary Eleanor, 89–90 velocidad, en
reutilización de datos, 151–158 análisis de datos, 35–36, 39 partes
reutilización, 108–109 ingresos interesadas, 106 estadísticos, 33, 34–
por correo electrónico (RPE), 119, 35, 38, 41, 92 estadísticas, 13 Stitch
120, 121 rigor, 33, 48 gestión de Fix, 104, 108 narración, 36–37, 97, 105.
riesgos, 8 , 10 Rogati, Mónica, 13
Véase también comunicación
análisis estratégico, xi–xvii

evaluación de la preparación para,
Sage-Gavin, Eva, escala 127– xvi

135, 7–8, 34, 80 definición de, xii
Centro de confiabilidad y eficiencia de apalancamiento, xiv–

Schlumberger, 129 xv datos estructurados, 105–
análisis de sentimientos, 17 106 experiencia en el tema, 96–

Shapiro, Joel, 43–51 97 heurística de supervivencia, 139–140
Sacudió, Ellyn, 127–135 Sutton, Dave, 115-126
168
Índice
Tableau, 96 pruebas, 48, 49, 143

datos tabulares, 15–16, 19 clasificación de texto, 17
talentos, xiv–xv, 6–7, 8 análisis de tiempo-utilidad, 55–59
peligros de subestimar, transparencia, 155
39–40 Trump, Donald, 12
tableros, 102 uso de confianza, 105, 128, 133
datos de empleados y, fideicomiso dividendo, 128

127–135
exponer equipos a, 101–105

contratar carteras de, 100–101 Elecciones presidenciales de EE.
priorizar habilidades de datos para, UU. de 2016, 12 datos no
53–59 estructurados, 17–18, 19 Urban
análisis estratégico y, xiii Institute, 109
estructuración de proyectos en torno

a, 105–106
apoyando, 107 propuesta de valor, 23–24

Ver también científicos de datos Vineyard Vines, 115–126
equipos, 89–90, 91, 94 visualización, 87–88, 90–91
colocación, 107–108
definición de talentos para, 94–99
empoderamiento, 108 habilidades tiempos de espera, 47–
para, 24, 28 tecnología como 48 datos del lugar de trabajo, 127–135
fuerza democratizadora, 73–83 en Foro Económico Mundial, 53–54
la presentación de datos, 90–91

priorización de habilidades de datos
versus, 57 Yelp, 151–152, 154, 155, 156
para el éxito con los datos, 7–8, 10

Telstra, 130 ZF, 61–71
plantillas, creación, 108–109 Zillow, 153
169
¿Está su empresa
P
o
preparada para el futuro?
Copiar
Si disfrutó de este libro y quiere más información sobre los
temas comerciales apremiantes de la actualidad, consulte
otros libros de la serie Insights You Need de Harvard Business Review.
Con las ideas más recientes de HBR sobre temas críticos para el
N
éxito de su empresa, desde Blockchain y Cybersecurity hasta AI y
Agile, cada libro lo ayudará a explorar estas tendencias y cómo lo
afectarán a usted y a su negocio en el futuro.
PARA MÁS VISITA HBR.ORG/BOOKS

Con los nuevos planes de suscripción de HBR, puede acceder a estudios

de casos de renombre mundial de Harvard Business School y recibir
cuatro libros electrónicos gratuitos. Descargue y personalice
presentaciones de diapositivas y gráficos preconstruidos desde nuestra biblioteca visual.

Con el archivo de HBR, los 50 artículos más vendidos y cinco artículos
nuevos todos los días, HBR es más que una revista.
Suscríbete hoy
hbr.org/éxito

Strategic Analytics TRADUCIDO

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Strategic Analytics TRADUCIDO

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Información que necesita de

Información que necesita de Harvard Business Review

El negocio está cambiando. ¿Te adaptarás o te quedarás atrás?

al futuro de su empresa con la serie Insights You Need de Harvard Business

Review . Con el pensamiento más inteligente de HBR sobre temas de rápido

movimiento (cadena de bloques, ciberseguridad, IA y más), cada libro proporciona

la introducción fundamental y los estudios de casos prácticos que su organización

necesita para competir hoy y recopila las mejores investigaciones, entrevistas y

análisis para tenerlo listo. para mañana.

No puede darse el lujo de ignorar cómo estos problemas transformarán el

panorama de los negocios y la sociedad. La serie Insights You Need lo ayudará a

comprender estas ideas críticas y lo preparará a usted y a su empresa para el futuro.

Los libros de la serie incluyen:

Ágil La seguridad cibernética

Inteligencia artificial Monopolios y tecnología

Información que necesita de

Prensa de Harvard Business Review

Descuentos en ventas por cantidad de prensas HBR

Para obtener detalles e información sobre descuentos para formatos de

Copyright 2020 Corporación Editorial de la Escuela de Negocios de Harvard

Ninguna parte de esta publicación puede reproducirse, almacenarse o introducirse en un sistema

en el momento de la publicación del libro, pero pueden estar sujetas a cambios.

Datos de catalogación en publicación de la Biblioteca del Congreso

Título: Analítica estratégica.

Encuentre más contenido digital o únase a la discusión en www.hbr.org.

Lo que hace que Analytics sea xi

estratégico Ellos hacen posible su

por Thomas H. Davenport

Comprender los conceptos básicos de análisis

1. Los cinco elementos esenciales para tener éxito 3

Y los costos de perder alguno.

por Thomas C. Redman

2. Comprender los tipos de datos y cómo 11

Aumente su alfabetización de datos.

por Hugo Bowne-Anderson

3. La forma correcta de implementar el análisis predictivo 21

Concéntrese primero en su equipo, luego en la tecnología.

por Eric Siegel

4. Qué hacen los grandes analistas de 31

datos y por qué todas las organizaciones los necesitan.

por Cassie Kozyrkov

5. Para qué sirven y para qué no sirven los datos 43

Los números rara vez revelan el “por qué”.

por Joel Shapiro

Convertirse en una organización impulsada por análisis

6. Priorice qué habilidades de datos tiene su 53

Considere el tiempo versus la utilidad.

por Chris Littlewood

7. Cómo una empresa manufacturera alemana instaló su 61

Las mejores prácticas que cualquier empresa puede seguir.

de Niklas Goby, Tobias Brandt y Dirk Neumann

8. La computación en la nube está ayudando a las 73

empresas más pequeñas y nuevas a competir

El alquiler de potencia informática puede nivelar el

por Nicholas Bloom y Nicola Pierri

9. Ciencia de datos y el arte de la persuasión 85

Resolviendo el problema de la última milla de los datos.

por Scott Berinato

Aplicación de análisis de datos

Mediante la integración de datos de

comportamiento y algoritmos predictivos.

por Dave Sutton

Tres formas de mantener la confianza al utilizar el