Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Alineación de la estrategia de datos con los objetivos empresariales

Los clientes de AWS nos comentan que la falta de alineación entre los proyectos de datos y los objetivos de la empresa suele desembocar en una plataforma de datos mal utilizada y sobrediseñada que aporta poco valor a la empresa. Las quejas habituales son la baja capacidad de reutilización de los activos de datos, la incoherencia de datos, la mala detección de los datos, los largos tiempos de espera y la baja calidad de los datos.

Los errores más comunes al crear una estrategia de datos son centrarse demasiado en las herramientas y tendencias técnicas, utilizar herramientas de vanguardia y perder la oportunidad de acelerar las oportunidades de negocio al proporcionar a los usuarios empresariales datos que utilizan su propia terminología, automatizar las tareas manuales para la elaboración de informes sobre las métricas clave, proporcionar visibilidad de la calidad de los datos y dar a los usuarios autonomía para la exploración de los datos.

La estrategia de datos debe centrarse en resolver los problemas empresariales, como llevar a cabo una mejor segmentación de los clientes para aumentar las tasas de conversión, mejorar la satisfacción de los clientes con la personalización, reducir la pérdida de clientes mediante la anticipación de las acciones de retención, las pruebas de nuevos productos y las nuevas características más rápidamente con pruebas A/B para mejorar la experiencia del cliente y cualquier otra estrategia que pueda mejorar el impacto empresarial o de la marca.

Las empresas suelen subestimar la gobernanza de datos. La mayoría de los esfuerzos de esta área se centran en la capa de análisis y muy pocos procesos están automatizados. Esto genera una sobrecarga para los equipos de ingeniería de datos, que tienen que entender los datos y traducirlos a los consumidores de datos sin entender el dominio empresarial asociado a los datos. La gobernanza de datos, cuando se aplica desde la ingesta de datos hasta su consumo, puede potenciar la estrategia de datos. Los procesos que respaldan la estandarización, la clasificación y la calidad de los datos exhaustivos permiten a las personas interactuar con los datos con facilidad y acceder a ellos de forma automatizada.

Detección del estado actual de la empresa

Hacer que una empresa pase de una etapa inicial de madurez en el uso de datos a una etapa basada en los datos es difícil, ya que requiere capacidades, procesos y roles cuya implementación puede llevar tiempo. En el siguiente diagrama se presenta las diferentes etapas de la madurez del uso de los datos.

Etapa 1 (transaccional). En la etapa 1, las empresas se centran en sus operaciones principales. No aprovechan los datos relacionados con esas operaciones porque no miden ni utilizan indicadores de rendimiento financiero ni operativo para sus negocios. Actualmente, hay muy pocas empresas en esta fase. La mayoría de ellas son startups que se encuentran en las primeras etapas de sus negocios.

Etapa 2 (basada en datos). En la etapa 2, las empresas utilizan los datos para supervisar el estado de la empresa en términos de datos operativos, financieros y departamentales que se analizan en cada departamento de forma aislada. La mayoría de las empresas que se encuentran en esta etapa cuentan con sistemas de su propiedad en las instalaciones, en los que compartir los datos puede resultar complejo y caro. 

Las empresas que pasan de la etapa 2 a AWS suele implicar permitirles extraer, catalogar y compartir datos entre áreas de negocio y comenzar a utilizar el análisis interactivo avanzado.

Etapa 3 (basada en datos). La etapa 3 incluye a las empresas que ya optimizaron su uso de datos. Estas empresas usan sus datos de diferentes formas en función del sector:

Sin embargo, aunque las empresas de la etapa 3 utilizan ampliamente los datos, requieren un análisis manual de los datos para tomar estas medidas.

Actualmente, la mayoría de las empresas se encuentran en la etapa 3, aunque algunas utilizan técnicas más avanzadas, como los modelos de machine learning (ML), y otras comienzan a experimentar con análisis avanzados.

Etapa 4 (basada en datos). Las empresas que se encuentran en la etapa 4 ya toman decisiones, a menudo de forma automática, en función de sus datos. Sin embargo, esto puede resultar un reto. Se requiere confianza en los datos y los mecanismos ya aplicados para que las aplicaciones los utilicen y reaccionen ante los datos. La etapa 4 también requiere que los datos estén disponibles para la toma de decisiones oportuna.  

Automatización de las decisiones bidireccionales

Las decisiones reversibles (bidireccionales) son excelentes candidatas para acciones basadas en datos. Por ejemplo, una empresa podría decidir poner en cuarentena un producto (dejar de venderlo) después de recibir reseñas negativas que representen una probabilidad estadísticamente alta de devoluciones del producto o quejas de los clientes. La cuarentena es reversible una vez solucionado el problema y el producto se pueda volver a poner a la venta.

La detección de fraudes es otro ejemplo de acción bidireccional basada en datos. Las empresas podrían aplicar mecanismos para evitar pérdidas a los clientes y la plataforma, incluso si encuentran algunos falsos positivos que deban abordarse. Para aplicar mejoras, pueden medir los resultados de los mecanismos actuales y evaluar la eficacia. Una vez que los clientes mitiguen o validen los falsos positivos, las transacciones se pueden confirmar o volver a intentar mediante la autenticación de dos factores o un proceso similar.

Sin embargo, algunas medidas no se pueden revertir fácilmente y requieren un debate y aprobación adicionales por parte del consejo de administración. Se conocen como decisiones unidireccionales. Por ejemplo, las acciones que implican la construcción de instalaciones o inversiones monetarias importantes suelen ser difíciles de revertir. No son buenos candidatos para las acciones automáticas basadas en datos.

Una acción basada en datos debe evaluarse para determinar la visibilidad de su impacto con una medición constante. Estas mediciones lo ayudan a decidir si restaurar una característica o probar e involucrar a un equipo para que analice en profundidad los distintos comportamientos.