Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CUATRO
FIGURA 4-1
Dominios de aplicación para análisis
El desafío, entonces, no es simplemente identificar aplicaciones internas
de análisis empresarial, sino encontrar algunas que sean claramente
estratégicas e impliquen una ventaja competitiva. Cualquier empresa, por
ejemplo, puede tener un cuadro de mando financiero u operativo, pero
¿cómo contribuye a una capacidad estratégica distintiva? Es más probable
que las aplicaciones relacionadas con el cliente sean estratégicas casi por
definición; las aplicaciones internas tienen que trabajar en ello para tener
un impacto estratégico. Deben conducir a mejoras medibles en el
desempeño financiero u operativo. En el cuadro "Técnicas analíticas
típicas para procesos internos", enumeramos algunos enfoques comunes.
Análisis financiero
A pesar de ser un campo cuantitativo por naturaleza, las finanzas han
seguido a otras funciones como marketing, cadena de suministro,
operaciones e incluso recursos humanos en el empleo de análisis
avanzados para tomar decisiones clave. Por lo general, se considera que los
directores financieros (CFO, por sus siglas en inglés) son la "gente de los
números" en sus organizaciones. A menudo son defensores articulados del
uso de análisis predictivo y prescriptivo para la toma de decisiones, pero
generalmente cuando se trata de algún otro departamento.
Los grupos financieros, naturalmente, han utilizado durante mucho tiempo
informes, tableros y cuadros de mando, y consultas en línea en el curso de su
trabajo. El problema es que estas aplicaciones de análisis descriptivo no le
dicen nada al usuario sobre los patrones subyacentes en los números y solo
describen el pasado. Los profesionales de finanzas pueden experimentar con
un modelo de regresión ocasional en Excel, pero es bastante raro que la
función de finanzas convierta el análisis avanzado en una capacidad central, al
mismo nivel que los informes externos o el proceso de cierre.
Seguimos siendo optimistas de que esta situación está empezando a
cambiar. A medida que los CFO se sientan más cómodos con el uso de
modelos analíticos en el resto del negocio, esperamos que se implementen
más aplicaciones analíticas innovadoras en finanzas. En Intel, por ejemplo,
un pequeño número de profesionales financieros comenzó a abogar por un
mayor uso de análisis hace tres años. Le presentaron al equipo senior de
finanzas la idea de desarrollar una competencia generalizada en análisis
avanzado y la reacción fue positiva. Una de las primeras iniciativas fue
comparar las capacidades de análisis financiero de Intel con las de las
empresas líderes en el área, e Intel descubrió que algunas empresas en
línea o centradas en la tecnología en Silicon Valley (muchas de las cuales
tienen fuertes orientaciones analíticas en general) tenían capacidades más
avanzadas que tenido. Intel inició varias iniciativas específicas en el área
de pronósticos, incluidos pronósticos estadísticos de ingresos y niveles de
inventario, y predicción de deterioros en las inversiones de Intel Capital.
La función de finanzas de Intel también se ha embarcado en un amplio
esfuerzo para educar a los profesionales y gerentes de finanzas sobre
temas de análisis avanzado y también está planificando programas de
certificación para ellos.
Dada la cantidad de datos disponibles para las funciones de finanzas y el
nivel de conocimiento que se puede lograr, parece inevitable que el uso de
análisis avanzados por parte de las finanzas sea más frecuente. En las
siguientes páginas, ofrecemos algunos ejemplos de aplicaciones financieras
analíticas, ya que, por supuesto, tienen el vínculo más directo con el
desempeño financiero. Hay varios
categorías de aplicaciones de análisis financiero, incluidos los informes
externos, la gestión del rendimiento empresarial (informes de gestión y
cuadros de mando), la gestión de costes y la gestión de riesgos.
Gestión de riesgos
Identificar y minimizar el riesgo es una prioridad para toda organización.
Los administradores de riesgos han estado utilizando datos y herramientas
analíticas para hacer su trabajo durante muchos años. Los avances técnicos
recientes y los nuevos tipos de datos están revitalizando el uso de análisis
predictivos para mitigar el riesgo. Si bien los riesgos específicos varían
según la organización, dos de las áreas más activas han sido la detección de
fraude y la ciberseguridad.
Un desafío cada vez mayor para las empresas de servicios financieros es
proteger a sus clientes y a sí mismos contra reclamaciones o compras
fraudulentas. La Coalición Contra el Fraude de Seguros estima
conservadoramente que el fraude cuesta
9
aseguradoras $ 80 mil millones al año. Las empresas confían cada vez más
en sofisticados algoritmos de detección de fraudes para reconocer compras
fraudulentas con tarjetas de crédito en tiempo real. Las compañías de
tarjetas de crédito como Visa y American Express han estado utilizando
métodos analíticos avanzados durante años para identificar tarjetas de
crédito robadas y compras fraudulentas en tiempo real. Al combinar la
información de punto de venta, autorización y geolocalización con el
comportamiento de compra anterior, estas empresas están mejorando en la
identificación de comportamientos sospechosos y en alertar a los titulares
de tarjetas sobre posibles problemas.
Las aseguradoras también están contraatacando, utilizando análisis
predictivos para identificar dónde deben centrar su atención. Según Bill
Dibble, vicepresidente senior de operaciones de reclamos, Infinity
Property & Casualty:
Nos dimos cuenta de que las reclamaciones de seguros de automóviles se
podían calificar de la misma manera que las solicitudes de crédito al
consumidor, y que la tecnología podía mejorar significativamente ese
proceso al hacer inferencias específicas sobre el comportamiento. . .
Desarrollamos un proceso para asignar diferentes "puntuaciones" en las
probabilidades de fraude cuando los reclamantes informan por primera vez
un accidente. Mediante el uso de un motor de reglas que califica
automáticamente las reclamaciones en función de su probabilidad de
fraude, podríamos enviar las reclamaciones sospechosas a los
investigadores en uno o dos días para un análisis más profundo. Como
resultado del uso de esta tecnología, no solo hemos reducido el tiempo que
se tarda en identificar posibles reclamaciones fraudulentas en 24 horas,
sino que solía tardar entre 30 y
60 días, y hemos tenido más éxito en la detección de reclamos de
10
fraude”.
En otro ejemplo, Infinity analizó los informes de sus ajustadores antiguos
para desarrollar un nuevo algoritmo que resultó en $12 millones en
11
recuperación de subrogación.
Históricamente, los grupos de TI han sido mejores en la creación de
modelos predictivos para otras partes del negocio, pero han sido más lentos en
adoptar el análisis para administrar su propia función. Eso está cambiando a
medida que los desafíos de ciberseguridad proliferan y se vuelven más
desalentadores. La cantidad de amenazas para las grandes organizaciones está
creciendo rápidamente, al igual que la cantidad de piratas informáticos que las
crean y la cantidad de sistemas en riesgo de ataques cibernéticos. Las
violaciones de datos están aumentando, según un informe, en un 85 por ciento
al año, y en 2016, la mitad de
12
mil millones de registros personales fueron robados o perdidos.
Y con la proliferación de dispositivos conectados, no hay duda de que el
desafío de proteger los datos de una organización solo puede crecer. Los
procesos de ciberseguridad dentro de las empresas suelen ser reactivos a los
ataques y las infracciones; la investigación y las acciones se toman solo
después (a veces mucho después) de que ha ocurrido un problema. La
tecnología más utilizada para hacer frente a los ataques cibernéticos emplea
"firmas de amenazas" basadas en patrones de ataques anteriores. Por supuesto,
estos enfoques son de poco valor para prevenir nuevos tipos de ataques. Los
métodos analíticos predictivos desarrollados originalmente para detectar y
prevenir el fraude con tarjetas de crédito, una forma de detección de
anomalías, ahora se están implementando.
13
aplicado a comportamientos en ataques de ciberseguridad. Algunas
tecnologías cognitivas, incluido el aprendizaje profundo, también pueden
identificar anomalías en los patrones de transacción. Estos enfoques pueden
identificar anomalías emergentes mucho más rápido que el uso de firmas de
amenazas, y pueden identificar amenazas mucho antes y evitar ataques
importantes y pérdidas de datos antes de que ocurran. Dada la sensibilidad de
problemas de ciberseguridad, los humanos seguirán siendo necesarios para
confirmar e investigar las amenazas, particularmente cuando son internas.
Pero la cantidad de trabajo de investigación se puede reducir sustancialmente
a través del análisis. Hoy en día, las organizaciones de los sectores público y
privado utilizan análisis y, en menor grado, tecnologías cognitivas y
automatización para mejorar sus programas de ciberseguridad. No está claro
cuándo estarán completamente maduras estas capacidades técnicas, pero no
debería haber dudas sobre su necesidad y
14
la probabilidad de su adopción final.
Analítica operativa
Un dominio analítico que ha existido durante mucho tiempo en las empresas
son las operaciones, especialmente la fabricación, la calidad, la seguridad y
la logística. Este fue el hogar original, por ejemplo, de la Gestión de calidad
total y Six Sigma, que, cuando se realizan con seriedad, implican un análisis
estadístico detallado de las variaciones del proceso, las tasas de defectos y las
fuentes de los problemas. Los análisis de fabricación y calidad han tenido un
impacto enorme en las industrias manufactureras globales, pero hasta hace
poco su impacto ha sido menos revolucionario para las industrias de
servicios y las funciones no manufactureras dentro de las empresas
manufactureras. Para muchas organizaciones, todavía parece difícil reunir los
niveles necesarios de disciplina y rigor para aplicar el control de calidad
estadístico o incluso una fuerte orientación a procesos fuera de la
fabricación. Esto significa, por supuesto,
Fabricación
Los verdaderos competidores analíticos en la fabricación, entonces, son
aquellos que van más allá de la mera fabricación. Hay algunos buenos
ejemplos de este enfoque. Uno es en un pequeño fabricante de acero en los
Estados Unidos e ilustra que la competencia analítica se aplica tanto a las
empresas más pequeñas como a la fabricación de bienes básicos. Rocky
Mountain Steel Mills, una división de fabricación de rieles, varillas y barras
de acero de Oregon Steel, enfrentó una decisión crítica sobre la capacidad
de fabricación a principios de 2005. Había cerrado su planta de tubos sin
costura en 2003 debido a las presiones de los precios, pero la Los
principales clientes de los tubos sin costura eran los perforadores de
petróleo, y en 2005 los precios del petróleo habían subido lo suficiente
como para que Rob Simon, vicepresidente y gerente general de la empresa,
considerara reabrir la fábrica de tubos. Sin embargo,
Simon decidió adoptar un enfoque más analítico y Rocky Mountain instaló
una herramienta de software analítico llamada Profit InSight. Empezó a
trabajar con análisis mensuales para determinar si se debía reabrir la planta.
Los clientes potenciales y otros gerentes pensaron que los altos precios de
la tubería claramente justificaban el desembolso de capital que sería
necesario para reabrir, pero los análisis de Simon sugirieron que el aumento
de los ingresos por la tubería se vería compensado por una menor
producción de alambrón y barra, y no sería rentable. Solo cuando los
precios de las tuberías continuaron aumentando a lo largo de 2005, Simon
decidió reabrir la planta en diciembre de ese año. Incluso cuando comenzó
la producción, sus modelos sugerían esperar a tomar pedidos porque se
preveía que los precios subirían. De hecho, en enero de 2006 habían
aumentado un 20 por ciento con respecto al trimestre anterior.
Rocky Mountain estima que, además de los precios más altos que recibió,
evitó una pérdida de $34 millones que habría enfrentado debido a las
limitaciones de producción si hubiera reabierto la planta a principios de 2005.
El éxito con la nueva planta de tubos también fue un factor clave en una
importante aumento en el precio de las acciones de Oregon Steel.
Profit InSight ahora se usa como una herramienta de planificación
estratégica semanal, y Rocky Mountain Steel Mills ha abandonado por
completo su enfoque anterior de planificación y pronóstico de ventas
"retórico" por los nuevos métodos analíticos. Son considerablemente
superiores, pero Simon aún tenía que exigir que todos escucharan lo que
muestran los análisis y dejaran de dudar usando los viejos enfoques.
Los ingenieros involucrados en el diseño de productos han estado
utilizando el diseño asistido por computadora (CAD) durante décadas. Pero
los avances recientes que utilizan el modelado paramétrico permiten
diseños más flexibles y personalizados individualmente que también
reducen el tiempo de fabricación. Firewire Surfboards, un fabricante de
tablas de surf premium de alto rendimiento, quería dar a los clientes más
libertad para personalizar su tabla sin sacrificar el rendimiento de la tabla ni
abrumar sus procesos de diseño y fabricación. Las tablas Firewire se
construyen mediante métodos patentados y una combinación de materiales
de alta tecnología que otros fabricantes comerciales de tablas de surf no
ofrecían anteriormente. Pero el CEO de Firewire, Mark Price, sabía que
esto no era suficiente para ser líder del mercado. Los surfistas
incondicionales quieren tablas personalizadas, hechas específicamente para
ellos que se adapten a su estilo personal y a las condiciones locales de las
olas. Pero la complejidad del proceso de producción de Firewire hizo que la
personalización a través de su sistema de diseño asistido por computadora
requiriera mucho trabajo. Firewire trabajó con ShapeLogic y el software
CAD 3D NX de Siemens para desarrollar modelos paramétricos avanzados
de su stock y agregó reglas específicas que controlan cómo los cambios del
cliente afectan las curvas de la placa para garantizar el máximo
rendimiento.
Los clientes en línea comienzan seleccionando uno de los modelos
estándar de Firewire Surfboards y luego modifican el diseño para que se
ajuste a sus necesidades. Una vez que el cliente solicita una placa
personalizada, se envía un modelo sólido preciso directamente a la fábrica de
Firewire, donde se utiliza para hacer funcionar las máquinas que fabrican la
placa. El modelo permite mecanizar rápidamente tableros personalizados
hasta aproximadamente el 97 por ciento de su forma neta, lo que minimiza
los procesos de acabado necesarios.
17
tiempo de fabricación y costos. A medida que las soluciones CAD más
potentes y sofisticadas (aunque fáciles de usar) se vuelvan más accesibles,
esperamos que la personalización de bicicletas, equipos deportivos,
automóviles e incluso dispositivos médicos por parte del cliente se
convierta en algo común.
Para las empresas basadas en Internet, las operaciones significan
producir el servicio básico por el cual los clientes visitan un sitio web. Las
empresas en línea exitosas usan análisis para probar prácticamente todos
los aspectos de sus sitios antes de implementarlos ampliamente. Por
ejemplo, debido a que la razón principal por la que los clientes visitan
Google es para usar sus capacidades de búsqueda, la empresa tiene un
programa muy amplio de pruebas y análisis con respecto a su motor de
búsqueda. Google emplea una amplia gama de análisis y datos operativos y
de clientes para mejorar los atributos de búsqueda, incluida la relevancia, la
puntualidad y el usuario.
experiencia. La empresa desarrolló muchas de sus propias medidas
patentadas de relevancia de búsqueda. La mayoría de las métricas se
recopilan de forma automatizada, como el porcentaje de resultados
extranjeros, la profundidad de los usuarios en la lista de elementos
recuperados, el porcentaje de usuarios que visitan cada página del resultado
de búsqueda y las medidas de latencia de búsqueda o oportunidad. Pero
Google también recopila juicios humanos sobre el proceso de búsqueda e
incluso observa a los usuarios individuales (en la sede de Google y en los
hogares de los usuarios) mientras utilizan el sitio para consultas
individuales y sesiones completas. Una técnica empleada es el seguimiento
ocular, a partir del cual se crean "mapas de calor" que muestran qué áreas
de una página reciben más atención.
Google está fuertemente comprometido con la experimentación antes de
realizar cualquier cambio en su sitio de búsqueda. Como dijo Bill Brougher
de Google:
Los experimentos son un requisito para lanzar una nueva función. Es
una herramienta muy poderosa para nosotros. Hemos estado
experimentando durante años y hemos acumulado mucho conocimiento
institucional sobre lo que funciona. Antes de que se envíe cualquier
característica nueva, debe pasar por un embudo que involucra varias
pruebas. Por ejemplo, cualquier cambio en nuestros algoritmos de
búsqueda debe probarse con nuestra calidad de búsqueda de nivel base
para asegurarse de que el cambio sea una mejora sustancial sobre la
base. Un pequeño bache en la calidad no lo es
18
lo suficientemente importante como para adoptar.
Los métodos de Google para las operaciones analíticas son tan
rigurosos como los de cualquier empresa, y la naturaleza del negocio
pone a disposición una gran cantidad de datos para el análisis.
Otro aspecto clave del análisis de fabricación es garantizar que se
fabriquen los productos correctos. Nos referiremos a él como el problema de
configuración: asegurarse de que los productos ofrecidos al mercado sean los
que el mercado quiere. El problema de configuración, como los descritos
anteriormente en Rocky Mountain Steel y Firewire Surfboards, es
multifuncional; tiene lugar en la intersección de las ventas y la fabricación, y
por lo general también involucra la cadena de suministro, los procesos
financieros e incluso los de recursos humanos de la empresa. Competir sobre
la base de la configuración es, por definición, una actividad de toda la
empresa. La configuración es altamente analítica. Implica el modelado
predictivo de lo que los clientes quieren comprar, así como complejos
análisis (generalmente basado en reglas) de qué componentes van
con qué otros componentes en qué productos terminados.
¿Qué empresas compiten en base a la configuración? Algunas empresas
de alta tecnología, como Dell, son conocidas por sus productos
configurables. Las empresas de telecomunicaciones inalámbricas pueden
tener muchos planes de servicio diferentes; algunos han desarrollado
aplicaciones analíticas automatizadas para encontrar la mejor para cada
cliente. También adaptan sus servicios a cada cuenta corporativa. Las
empresas de automóviles necesitan competir en configuración, aunque los
fabricantes estadounidenses y europeos tradicionalmente lo han hecho mal.
Dado que se considera que fabricar un automóvil desde cero según las
especificaciones del cliente lleva demasiado tiempo (al menos fuera de
Japón, donde se hace comúnmente), las empresas automotrices tienen que
pronosticar los tipos de vehículos y las opciones que los clientes querrán,
fabricarlos y enviarlos. ellos a los distribuidores. Con demasiada
frecuencia, las combinaciones de modelos y paquetes de opciones no han
sido lo que los clientes quieren, por lo que los automóviles deben tener
descuentos sustanciales para venderlos durante las promociones o al final
del año del modelo. El desajuste entre los deseos del consumidor y el
producto disponible ha sido uno de los mayores problemas que enfrentan
Ford y General Motors.
Ambas compañías están tratando de hacer algo con respecto a la
configuración, pero Ford es probablemente la más agresiva de las dos. La
compañía ha cambiado su enfoque de producir todo lo que la fábrica pueda
producir y preocuparse más tarde por venderlo, a tratar de igualar la oferta
y la demanda. Como parte de esta iniciativa, Ford está utilizando software
de configuración para mantener reglas sobre opciones y componentes, lo
que reducirá la cantidad de errores de producción y hará coincidir más los
pedidos de los concesionarios con los programas de producción. El Sistema
de Gestión de Inventario Inteligente (SIMS) de Ford optimiza el inventario
de casi tres mil concesionarios Ford y Lincoln en América del Norte. SIMS
utiliza análisis avanzados para producir recomendaciones de pedidos de
vehículos específicos de los concesionarios para garantizar que los
concesionarios tengan el número y la combinación correctos de inventario
para adaptarse a las preferencias y la demanda de los clientes.
19
decisiones de pedidos de inventario inteligentes y rentables. Ford
aún no ha dominado por completo el arte de competir en
configuración, pero claramente está avanzando en esa dirección.
Calidad
Los análisis también se pueden aplicar para evaluar la calidad de
fabricación. Honda, por ejemplo, es conocida desde hace mucho tiempo por
la calidad de sus automóviles y otros productos. La compañía ciertamente
tiene personas analíticas en su departamento de calidad de fabricación. Sin
embargo, va mucho más allá de esa función al identificar posibles
problemas de calidad. Honda instituyó un programa analítico de "alerta
temprana" para identificar posibles problemas importantes de calidad a
partir de los registros de servicio de garantía. Estos registros son enviados a
Honda por los concesionarios e incluyen tanto problemas de calidad
categorizados como texto libre. Otro texto proviene de transcripciones de
llamadas de mecánicos a expertos en varios dominios en la sede y de
llamadas de clientes a centros de llamadas. La principal preocupación de
Honda era que cualquier problema grave identificado por los distribuidores
o clientes se notara en la sede central y se abordara rápidamente. Entonces,
los analistas de Honda establecieron un sistema para extraer los datos
textuales provenientes de estas diferentes fuentes. Las palabras que
aparecían por primera vez (particularmente aquellas que sugerían
problemas importantes, como un incendio) y las palabras que aparecían más
de lo previsto se marcaron para que los analistas humanos las examinaran.
Honda no entrará en detalles sobre ningún problema específico que haya
sido cortado de raíz, pero dice que el programa ha tenido mucho éxito.
Toshiba Semiconductor Company es otra empresa que ha hecho un
amplio uso de la analítica, en particular, la representación visual del
análisis estadístico, en la calidad de la fabricación. Las aplicaciones
iniciales se centraron en el análisis avanzado para el desarrollo de nuevos
productos y tecnologías, pero se expandieron rápidamente a otras áreas
como ventas, marketing, desarrollo, producción y control de calidad. Los
ejecutivos de la unidad de negocios de semiconductores son firmes
defensores de la analítica y han guiado a la empresa por este concepto
durante más de quince años. El enfoque general de Toshiba se enmarca en
una iniciativa más amplia denominada Política y actividad de innovación
en la gestión.
El enfoque de análisis visual fue utilizado por primera vez por ingenieros
en varias plantas de fabricación de semiconductores (fabs) para el análisis de
rendimiento, un problema clave en la industria. Según Shigeru Komatsu,
director de conocimientos de la empresa (es raro que la analítica se aborde en
ese rol, pero están en Toshiba Semiconductor), “Hemos trabajado en la
estandarización de los indicadores de rendimiento, hemos creado bases de
datos compartidas, hemos hecho esfuerzos para compartir casos de análisis y
resultados, y hemos implementado software analítico como Minitab y
[TIBCO] Spotfire DecisionSite para aumentar nuestra
20
eficiencia en el análisis.” Toshiba Semiconductor continúa invirtiendo en
análisis de rendimiento, más recientemente mediante la incorporación de
inteligencia artificial en modelos analíticos utilizados para determinar la causa
raíz de los defectos y aumentar aún más
21
calidad de la producción.
La seguridad
La seguridad no fue la primera área en aplicar datos y análisis, pero hoy en
día está creciendo rápidamente. Resulta que ciertos tipos de accidentes son,
al menos hasta cierto punto, predecibles. Son una función de las personas,
el equipo y los entornos de la empresa involucrados. Si tiene datos sobre
incidentes de seguridad pasados y los atributos asociados con ellos, no es
una gran exageración predecir cuándo sucederán en el futuro e intervenir
para tratar de prevenirlos.
El análisis de seguridad es una de las especialidades de la firma de
consultoría de análisis boutique First Analytics, que Tom ayudó a fundar en
2009. Un gerente de un gran ferrocarril leyó el artículo original "Competir
en análisis" y se puso en contacto con el director ejecutivo de First
Analytics, Mike Thompson, en 2010. Comenzaron a discutir cómo la
empresa podría mejorar su seguridad mediante el análisis.
El gerente del ferrocarril explicó que la seguridad era una prioridad
principal para la empresa y que había mejorado considerablemente en este
frente, pero cada vez era más difícil seguir mejorando. Dijo que la
compañía ya había usado algunos datos para identificar posibles riesgos,
pero que había mucho más que podría explorarse.
El ferrocarril y First Analytics comenzaron con un proyecto de prueba de
concepto para tomar los datos existentes sobre los operadores de trenes de
la empresa y calificar la probabilidad de que estuvieran en riesgo. Los datos
disponibles incluían ubicación, puesto de trabajo, condiciones climáticas,
horario de trabajo, ausentismo, puntajes en pruebas de reglas y ejercicios de
capacitación, violaciones de reglas anteriores y más. Los datos finalmente
provinieron de una veintena de bases de datos diferentes en toda la
empresa. El ferrocarril había utilizado anteriormente un sistema de
puntuación de riesgo basado en una lógica razonable, pero el nuevo basado
en análisis lo mejoró drásticamente.
Dado que la prueba de concepto había funcionado bien, el ferrocarril
trabajó con First Analytics para expandir el análisis a otras áreas de
seguridad; por ejemplo, se creó un análisis para identificar y priorizar los
pasos a nivel de ferrocarril de mayor riesgo. Los análisis de seguridad del
personal se extendieron más allá de aquellos que operan los trenes al personal
que mantiene las decenas de miles de
millas de pista. El resultado general de estos esfuerzos fue una mejora
espectacular en la seguridad. El vicepresidente de seguridad de la
compañía discutió recientemente las mejoras con los clientes:
Grandes datos. Estamos en esto a lo grande. Creemos que está
impulsando estos últimos dieciocho meses [de resultados de seguridad].
Hay dos mil quinientos gerentes operativos. . . no hay forma de que
podamos mirar, pasar tiempo con, enseñar a todos los empleados, todo
el tiempo, todos los días. Se trata de centrar la atención de la gerencia
en aquellos que exhiben más riesgo. Estamos en nuestra cuarta iteración
de este modelo; constantemente lo estamos afinando. . . Si tuviera que
echar un vistazo a nuestros gráficos de control, ha sido una buena
tendencia a la baja durante una década. Desde que activamos mucho de
esto, ha sido una función de paso: un estándar completo
22
desviación de nuestra tasa de ejecución normal.
Algunas empresas de otras industrias del transporte han adoptado enfoques
similares para el análisis de seguridad. Esto se ve facilitado por la creciente
facilidad de capturar datos de conducción. Schneider National, Inc., por
ejemplo, una gran empresa de camiones, captura los comportamientos de los
conductores, como la velocidad, la aceleración y la desaceleración, y los
tiempos de conducción. Un algoritmo de seguridad predictivo alerta a los
supervisores de que los conductores corren el riesgo de sufrir accidentes
incluso antes de que hayan tenido uno.
Otras industrias que han adoptado enfoques agresivos para el análisis
de seguridad incluyen la minería, la energía y la fabricación. A medida
que los sensores se vuelvan más omnipresentes, es probable que veamos
que muchas más empresas e industrias adopten estos enfoques.
Logística
Cuando invierte en análisis operativo al nivel de cientos de millones de
dólares, y lo que es más importante, entrega valor en múltiplos de esa
suma, es seguro asumir que está compitiendo en análisis. UPS tiene una
larga historia de medición y mejora a través de la ingeniería industrial.
Hoy, UPS captura información sobre los 18,3 millones de paquetes y
documentos, en promedio, que entrega diariamente, y recibe 69,4 millones
de solicitudes de seguimiento al día. La empresa tiene un compromiso
profundo y de larga data con el uso de análisis para la toma de decisiones.
Jack Levis, director sénior de gestión de procesos de la empresa, que
también dirige los grupos de investigación de operaciones y análisis
avanzado, dirige
el proyecto ORION. ORION, un acrónimo que significa On-Road Integrated
Optimization and Navigation, puede ser el análisis comercial más grande
23
proyecto jamás emprendido. ORION es un modelo logístico de análisis
prescriptivo para los cincuenta y cinco mil conductores de UPS en los
Estados Unidos (las implementaciones internacionales llegarán pronto).
Antes de que los conductores inicien sus rutas, ORION analiza los
paquetes que se entregarán ese día y determina una ruta óptima para los
“vagones de paquetes”. Las computadoras de mano les dicen a los
conductores a dónde ir a continuación.
UPS es una gran empresa y los beneficios de ORION son proporcionales
grande. A Jack Levis le gusta decir: "Los grandes ahorros provienen de la
atención a los detalles".
Acortar la ruta de cada conductor en una milla diaria se traduce en $50
millones
al resultado final de UPS anualmente. Cada minuto ahorrado por conductor
diariamente es
por valor de 14,6 millones de dólares, y al evitar un minuto de tiempo de
inactividad al día se ahorra
$515,000. Como resultado, lo que parecen pequeñas mejoras incrementales
pueden
producir grandes ahorros. Por ejemplo, ahorros en productividad del
conductor y combustible
economía mediante la conducción de rutas más eficientes suman alrededor
de $ 400 millones por
año. Al reducir las rutas solo una fracción de milla aquí y allá, UPS está
impulsando
100 millones de millas menos, con una reducción resultante en las emisiones
de carbono de
100.000 toneladas métricas al año. No ves esos niveles de beneficio de un
proyecto de análisis muy a menudo, y estos han sido confirmados a través de
un intensivo
medición e informado a los analistas de Wall Street.
ORION requirió un compromiso sostenido durante más de una década por
parte de la gerencia de UPS. El sistema tomó más de una década desde su
inicio hasta su implementación completa, y más de $250 millones de
inversión. Entonces, la compañía claramente se metió de lleno en este
proyecto. ¿Qué tomó tanto tiempo? En primer lugar, el gran volumen de datos
y la complejidad de las matemáticas necesarias para optimizar las rutas son
realmente asombrosos. Considere que para un solo conductor que realiza 120
entregas, el número de rutas potenciales es 120 factorial, que es una suma
mayor que la
24
edad de la tierra—en segundos. Ahora imagine calcular la ruta óptima
para cada conductor, todos los días.
El algoritmo de optimización en sí fue difícil de desarrollar, pero ese
aspecto del trabajo palideció en comparación con los otros desafíos. UPS
tuvo que desarrollar sus propios mapas para garantizar que los conductores
fueran dirigidos al lugar correcto en todo momento y al lugar correcto para
dejar o recoger el paquete. Ningún mapa disponible comercialmente podría
hacer eso para los 250 millones de ubicaciones diferentes a las que UPS
realiza entregas. A continuación, se instalaron sensores telemáticos en
más de cuarenta y seis mil camiones de la empresa, que rastrean métricas
que incluyen velocidad, dirección, frenado y rendimiento del tren motriz.
Pero fueron los desafíos de la gestión del cambio los más complejos de
abordar. Imagínese comunicar e inculcar una nueva forma de realizar una
tarea diaria fundamental a cincuenta y cinco mil trabajadores sindicalizados
calificados. UPS dedicó seis días de capacitación y apoyo a cada conductor.
La mayoría de los conductores querían saber cómo funcionaba el sistema
antes de renunciar a sus tradicionales rutas, por lo que se dedicó un esfuerzo
considerable a convertir el algoritmo de la “caja negra” en una “caja de
cristal”. A su favor, la mayoría de los conductores estaban entusiasmados con
el nuevo enfoque una vez que lo habían experimentado.
Los beneficios de ORION hasta la fecha son solo el comienzo para UPS.
Está, por supuesto, el despliegue global de estas herramientas. Y para
mantener un nivel de simplicidad para los conductores, ORION solo
optimiza las rutas al comienzo de la jornada laboral. Los programas más
sofisticados en el futuro se volverán a optimizar durante el día, teniendo en
cuenta factores como los patrones de tráfico y el clima. UPS planea
continuar ampliando las capacidades de ORION. Levis explica que las
mejoras futuras también tomarán otras decisiones para mejorar el servicio
al cliente sin sacrificar la eficiencia. “Si un cliente llama con una solicitud
mientras los conductores están en la carretera, ORION observará a todos
los conductores y determinará la mejor opción. ORION luego lo pondrá en
su computadora portátil y ajustará su ruta en consecuencia”.
No hay muchas empresas que hayan apostado por la analítica hasta este
punto. Pero con la iniciativa ORION, UPS realmente se ha transformado
de una empresa de camiones que utiliza tecnología a una "empresa de
tecnología con camiones".
La gestión de la logística de una cadena de suministro global es otra área
fértil para invertir en análisis. La División de Red de Suministro Global
(GSND) de Caterpillar es responsable de supervisar una red de suministro
interdependiente con más de once mil proveedores y 150 instalaciones. Pero
durante treinta años, el desempeño de los proveedores de Caterpillar parecía
estancado, sin mejoras sostenibles. El personal de GSND se vio
obstaculizado por procesos manuales obsoletos, falta de disponibilidad de
datos y complejidad de la red. Los usuarios se acostumbraron a tomar
decisiones sobre suposiciones y datos incompletos. "Nosotros
estaban tratando de administrar una red de suministro en la oscuridad en
25
hojas de cálculo”.
Para solucionar este problema, en 2012 Caterpillar comenzó a desarrollar el
Assurance of Supply Center (ASC). El ASC es una plataforma de análisis y
visualización de datos que captura y transforma los datos de la red de
suministro de docenas de sistemas en un conjunto de poderosas herramientas
comerciales que se utilizan para impulsar tanto las decisiones diarias como las
decisiones estratégicas de diseño de redes. Tres años después, la
transformación ha sido notable. El CEO Doug Oberhelman dijo a los
accionistas: “[ASC] simplifica la red de suministro, una red que involucra a
miles de proveedores que envían más de un millón de piezas y componentes
cada año. Ahora Caterpillar puede ver los pedidos desde la producción hasta
26
entrega—por instalación, unidad de negocio y costo”.
Al utilizar dispositivos móviles, los usuarios pueden ver datos sobre
inventario, transporte, proveedores, rendimiento, huella de red, defectos y
tarifas. Se produce un envío cada noventa segundos, lo que produce
millones de nuevos puntos de datos todos los días que se analizan y
visualizan para respaldar las decisiones de más de 10 000 usuarios. El
sistema incorpora una biblioteca de más de 100 millones de puntos de datos
que alimentan 45 000 modelos predictivos y prescriptivos, incluidos datos
sobre 640 000 números de pieza de más de 7000 proveedores, que se
envían a 127 instalaciones en todo el mundo. Todos estos datos les
permiten responder preguntas importantes como:
¿Dónde está mi inventario?
¿Estamos preparados para un repunte?
¿Por qué el proveedor X tiene un desempeño deficiente?
¿Cuál es el impacto en la red de un gran desastre natural?
Teniendo en cuenta la demanda, el consumo y el rendimiento
proyectados, ¿cuál debería ser nuestro inventario de piezas para
todos los números de pieza el próximo año?
¿Cómo podría cambiar mi red para hacerla más rentable y
rentable?
Caterpillar comparte sus datos y conocimientos con los proveedores y
trabaja con ellos para mejorar su rendimiento. En tan solo tres años, los
resultados han sido impresionantes: en 2012, el 67 % de los programas se
enviaron a tiempo; ahora es el 93 por ciento. Los defectos de calidad se han
reducido en un 50 por ciento. La organización ahora tiene la capacidad de
mantener la red en movimiento incluso cuando ocurre un desastre. Los
usuarios pueden resolver problemas de rendimiento de la red en
minutos en lugar de meses. Y ASC se ha convertido en una fuente
continua de ventaja competitiva para Caterpillar a medida que
continúa introduciendo soluciones analíticas más innovadoras en su
negocio.
Los clientes de Apex utilizan cada vez más los análisis para realizar un
seguimiento de la eficiencia y la eficacia de los procesos de dotación de
personal, por lo que la empresa necesita establecer y comprender sus propios
análisis para adelantarse a la demanda.
Tres empresas que rivalizan con los New England Patriots como
potencias analíticas para la gestión del talento son Google, Capital One y
Walmart. La cultura y las prácticas altamente analíticas de Google son
evidentes en su función de recursos humanos. El grupo de operaciones de
personas de Google opera de manera muy diferente al típico departamento
de recursos humanos. Su lema es: “Todas las decisiones de las personas
deben basarse en datos y análisis”. Para lograr su objetivo, Google creó
una función de análisis de personas con su propio director y personal de
más de sesenta investigadores, analistas y consultores que estudian las
decisiones y problemas relacionados con los empleados.
Al nombrar a Laszlo Bock, exvicepresidente de operaciones de personas
de Google, el profesional de recursos humanos de la década en 2016, ERE
Recruiting señala que Bock ve los datos como una forma de buscar la
verdad y los conocimientos únicos. A diferencia de la típica organización
de RR.
significativamente más allá de las métricas y el alcance habituales de
recursos humanos, utilizando análisis predictivos para encontrar formas de
mejorar su desempeño gerencial, reclutamiento, retención, bienestar y salud
de los empleados. Los investigadores de Operaciones de personas de Google
incluso encontraron formas para que los empleados comieran mejor y
consumieran menos calorías. Los datos y experimentos sobre la mejora de la
salud de los empleados llevaron a la
compañía cambiando a platos más pequeños en sus instalaciones para
35
comer.
El Laboratorio de Personas e Innovación (PiLab) es el grupo de I+D dentro
de Operaciones de Personas que lleva a cabo investigaciones enfocadas en
nombre de los clientes internos. A medida que Google analiza diferentes
problemas de recursos humanos, a menudo se ha movido en nuevas
direcciones como resultado. El PiLab ha determinado qué antecedentes y
capacidades se asocian con un alto rendimiento y qué factores es probable que
conduzcan a la deserción, como que un empleado se sienta infrautilizado en la
empresa. Ha fijado el número ideal de entrevistas de reclutamiento en cuatro,
por debajo del promedio anterior de diez. Uno de esos proyectos fue el
Proyecto Oxígeno de Google, llamado así porque la buena gestión mantiene
viva a la empresa. El objetivo de este proyecto fue determinar los atributos de
los gerentes exitosos. El equipo de PiLab analizó encuestas anuales de
empleados, puntajes de gestión del desempeño, y otros datos para dividir a los
directivos en cuatro grupos según su calidad. Luego entrevistó a los gerentes
con los puntajes más altos y más bajos (las entrevistas fueron doble ciego: ni
el entrevistador ni los gerentes sabían en qué categoría estaban los gerentes)
para determinar sus prácticas gerenciales. El equipo de análisis de recursos
humanos de Google finalmente identificó ocho comportamientos que
caracterizan a los buenos gerentes y cinco comportamientos que todo gerente
debe evitar. Un año después de que el equipo compartiera sus hallazgos,
Google midió una mejora significativa en el 75 por ciento de los gerentes de
bajo rendimiento. El equipo de análisis de recursos humanos de Google
finalmente identificó ocho comportamientos que caracterizan a los buenos
gerentes y cinco comportamientos que todo gerente debe evitar. Un año
después de que el equipo compartiera sus hallazgos, Google midió una mejora
significativa en el 75 por ciento de los gerentes de bajo rendimiento. El equipo
de análisis de recursos humanos de Google finalmente identificó ocho
comportamientos que caracterizan a los buenos gerentes y cinco
comportamientos que todo gerente debe evitar. Un año después de que el
equipo compartiera sus hallazgos, Google midió una mejora significativa en el
75 por ciento de los gerentes de bajo rendimiento.
Los modelos de valor de talento de Google abordan preguntas como "¿Por
qué los empleados eligen quedarse en nuestra empresa?" para calcular lo que
más valoran los empleados, luego aplicar esos conocimientos para aumentar
las tasas de retención, diseñar incentivos de rendimiento personalizados,
decidir si igualar la oferta de trabajo de un competidor o determinar cuándo
ascender a alguien. Google también utiliza los datos de rendimiento de los
empleados para determinar las formas más adecuadas de ayudar a los
empleados de alto y bajo rendimiento a tener más éxito. Bock nos dijo: “No
utilizamos los datos de desempeño para mirar los promedios, sino para
monitorear a los que tienen el desempeño más alto y más bajo en la curva de
distribución. Tratamos de ayudar activamente al 5 por ciento más bajo de los
artistas. Sabemos que hemos contratado a personas talentosas y realmente
queremos que tengan éxito”. De la empresa
La hipótesis era que muchas de estas personas podrían estar fuera de lugar o
mal administradas, y un análisis detallado apoyó esa idea. Comprender las
necesidades y los valores de las personas permite que el equipo de
operaciones de personas aborde con éxito una serie de situaciones difíciles. El
equipo tiene los datos para probarlo. Bock señaló: “No es el almuerzo
proporcionado por la empresa lo que mantiene a la gente aquí. Los Googlers
nos dicen que hay tres razones por las que se quedan: la misión, la calidad de
las personas y la oportunidad de desarrollar el conjunto de habilidades de un
mejor líder o
36
empresario. Y todos nuestros análisis se basan en estas razones”.
Capital One utiliza ampliamente la analítica en el proceso de
contratación, lo que requiere que los empleados potenciales de todos los
niveles realicen una variedad de pruebas que miden sus habilidades
analíticas. La empresa utiliza entrevistas de casos matemáticos, una
variedad de pruebas de comportamiento y actitud, y múltiples rondas de
entrevistas para asegurarse de que obtiene a las personas que quiere. El
proceso se aplica a todos los niveles, incluso a los vicepresidentes senior
que encabezan las funciones comerciales. Por ejemplo:
Cuando Dennis Liberson voló a Washington para entrevistarse para el
puesto más alto de recursos humanos en Capital One Financial Corp., le
dijeron que sus entrevistas con los 16 altos ejecutivos tendrían que
esperar. Primero, lo llevaron a una habitación de hotel para tomar un
examen de álgebra y escribir un plan de negocios. Liberson, quien
bromea casi siete años después diciendo que podría haber sido “el único
tipo de recursos humanos que pudo aprobar su examen de matemáticas”,
obtuvo el puesto y ahora es uno de los vicepresidentes ejecutivos de la
compañía. él también consiguió
37
una muestra temprana de la obsesión de Capital One con las pruebas.
Liberson ya no es el jefe de recursos humanos, pero se mantiene el
enfoque en las pruebas. A un candidato para un puesto gerencial en
Capital One, por ejemplo, todavía se le pide que revise un conjunto de
estados financieros y gráficos para una editorial y luego responda
preguntas como estas:
¿Cuál fue la relación entre los ingresos por ventas y los costos de
distribución de los libros de ciencia en 2016? (Redondear al
número entero más cercano):
R. 27 a 1
B 53 a 1
C. 39 a 1
D4a1
E. No puedo decir