No es posible pensar en una organización exitosa y con potencial de supervivencia en el entorno competitivo actual y futuro, que no utilice fuentes internas y externas claras y actualizadas de inteligencia de clientes y negocio para adaptar su modelo de negocio y enfocarlo en eficiencia.
La analítica representa la fuente de cualquier tipo de análisis, sea este para analizar resultados pasados, sus causas, establecer escenarios, identificar relaciones, proyectar resultados y encontrar oportunidades para toma de decisiones, respondiendo a preguntas o necesidades específicas.
En paralelo, la analítica apoya a la reducción de incertidumbre y entrenamiento de nuestro instinto en la toma de decisiones y habilita funcionalidades que son fuente de eficiente operativa, automatización, alertas y materialización de acciones al integrar a los datos en algoritmos de análisis y toma de decisiones autónomas.
Evolución de la analítica, su uso y aplicaciones empresariales
Tom Davenport identifica cuatro niveles de evolución de la analítica que pasan de su versión 1.0. hasta la actual, 4.0.
Analítica 1.0.
La aceleración en digitalización y datos arrancó antes de 2007 y se describe como Analytics 1.0, caracterizada por la creciente conciencia de la importancia en el uso de los datos para comprender lo que había ocurrido en el pasado. Se trataba principalmente de análisis descriptivo.
Analítica 2.0.
Los siguientes 10 años fueron testigos de una progresión del uso de analítica, llegando al Analytics 2.0 que implica el uso de Big Data para generar valor, es decir, utilizar datos voluminosos, que se mueven rápidamente y cambian rápidamente para que sean integrados, analizados y utilizados para responder preguntas de negocios o comportamiento y hacer accionable a la inteligencia y datos. Aquí se produjo un importante desarrollo de herramientas tecnologicas y aplicaciones de uso de datos. Un ejemplo notable de dicha tecnología fue el desarrollo de Hadoop, una de las principales plataformas para gestionar Big Data. Grandes empresas tecnológicas como Google, así como industriales, ya tenían a la analítica como parte central de su estrategia.
Analítica 3.0.
Analytics 3.0 marcó la progresión de la analítica desde una actividad independiente hasta su integración con los procesos y sistemas de producción. La analítica se incorporó a los productos, servicios y funciones orientadas al cliente. La analítica ya no estaba restringida a las empresas en línea o de información, sino que se extendió aún más a todas las empresas de todos los sectores.
Analítica 4.0.
Hoy contamos con Analytics 4.0. que define un nuevo escenario de gestión, trabajo y competencia, estamos en la era del aprendizaje automático, donde la interferencia humana se verá cada vez más limitada, ya que son los datos quienes generan, evalúan y revisan modelos gracias a la inteligencia artificial, abriendo nuevas oportunidades de automatización en procesos, decisiones, autonomía de operación y más.
Niveles de analítica y valor de la información empresarial
Independientemente del uso de grandes fuentes de datos y la inclusión de estrategias y acciones relacionadas a sensores con IoT (Internet de las cosas), “Edge Computing[1]”, uso de analítica descriptiva, de diagnóstico, predictiva o prescriptiva, toda organización debe hacer uso de los datos que produce directamente con su operación a la par de la que recibe de sus clientes, mercado y cadenas de valor empresariales para descubrir patrones y cambios, correlaciones desconocidas, tendencias, preferencias y más información que apoye la generación de inteligencia de negocio para toma de decisiones más acertadas.
Los datos por si solos no significan información, eficiencia o inteligencia si no se cuenta primero con objetivos claros.
Los datos se deberán alimentar de fuentes relevantes y ser gestionados por equipos responsables de análisis junto a sistemas que depuren, modelen, organicen y utilicen la analítica para gestión y toma de decisiones oportunas, transformando la estrategia y organización empresarial y por tanto la forma en la que hacemos las cosas enfocados en generar valor interno, externo y social.
Dedicación recomendada en tiempo y recursos a captura, reportes y análisis de datos:
Fuente: https://www.kaushik.net/avinash/elements-for-big-digital-analytics-driven-business-success/
Liderazgo y Transformación Empresarial
Para lograr un cambio real en la organización enfocándola en la generación constante y uso de información, es necesario alinear al equipo directivo con una visión clara sobre el futuro y propósito de la misma, replanteando procesos, personal, sistemas y recursos, logrando generar inteligencia en base a información y analítica que permita entender el pasado y proyectar el futuro interpretando resultados y conociendo cambios relevantes en clientes, acciones, situaciones y cadena de valor para re asignar inversiones a nuevos activos y modelos de negocio innovadores y rentables.
La analítica es trabajo de todos en la organización, por ello debe ser parte de dinámicas de trabajo, gestión y lógicamente de toma de decisiones, sin dejar a un lado al instinto, que es el aspecto cualitativo que genera contexto y enfoca a los datos ante diferentes situaciones que los superan.
Juan Pablo Del Alcázar Ponce
Referencias:
- Davenport, T. H., Harris, J. G. (2017). Competing on analytics: The new science of winning. Harvard Business School Press. Disponible en: https://amzn.to/3jk1Hbd
- Gartner – 2017 Planning Guide For Data Analytics: https://www.gartner.com/binaries/content/assets/events/keywords/catalyst/catus8/2017_planning_guide_for_data_analytics.pdf
- Simpli Learn – 2018 Digital Transformation Video: https://www.youtube.com/watch?v=508CR1fd8ws&list=PLLulWsuE46cNC5KD13I2wggc14993TpTs&t=0s&index=3
- Avinash Kausic – Elementos Clave Del Éxito En La Analítica de Negocios: https://www.kaushik.net/avinash/elements-for-big-digital-analytics-driven-business-success/
[1] Edge Computing, se refiere a usos vinculados con IoT en los que los dispositivos situados al borde de la red recopilarían datos y los enviarían a un centro de datos o a una nube para su procesamiento. La computación Edge calcula los datos localmente para que algunos de ellos se procesen allí, reduciendo así el tráfico al repositorio central.
