El nivel de madurez de una organización para entrar en el mundo de Analytics / Big Data

El nivel de madurez de una organización para afrontar proyectos de Big Data / Analytics es un elemento que siempre debemos tener presente. Un proyecto, con la mejor tecnología, no tiene por qué ser exitoso si no sumamos otros elementos que también contribuyen al resultado global del proyecto.

En estos años, hay organizaciones que se han dedicado a obtener frameworks para medir ese nivel de madurez de una organización. Uno de los que más nos gusta es éste que veis a continuación, el Analytics Maturity Quotient (AMQ™):

Analytics Maturity Quotient (AMQ)
Analytics Maturity Quotient (AMQ)

Como se puede apreciar, son cinco factores los que suman y contribuyen a ese nivel de madurez para afrontar estos proyectos en una organización:

  • Calidad de los datos: todo empieza con la calidad de los datos. Nosotros estamos tan de acuerdo en ello, que nuestro primer módulo trata precisamente sobre la importancia de disponer de una buena calidad de datos. Si una organización tiene un buen sistema para el almacenamiento de datos, una buena infraesturctura de datos, ha empezado bien el proyecto. Aquí también suele citarse el paradigma «GIGO»: si metemos malos datos, por mucho que tengamos buenos modelos analíticos, no podremos obtener buenos resultados de nuestro proyecto de Big Data.
    Este factor, el de calidad de datos, afecta a su vez a otros cuatro. Pero, como se puede entrever en su representación formal, es el más importante y representativo del conjunto de ellos. Debemos disponer de buenos datos.
  • Liderazgo «data-driven»: el 40% del éxito restante (una vez que disponemos de «buenos datos«), depende de un liderazgo institucional y organizativo que se crea de verdad que los datos y su análisis son una palanca excelente para la mejora de la toma de decisiones dentro de la compañía. En el artículo que abrió la boca a todos con esto del Big Data («Big Data: the management revolution«) de la Harvard Business Review, se ilustraba esta idea de cambiar el paradigma de toma de decisiones de la «persona que más ganaba» (el HIPPO, highest paid person’s opinion, a la fundamentación en datos). Necesitamos así líderes, CEO, gerentes, responsables de líneas, que «compren» este discurso y valor de los datos como palanca de apoyo a la toma de decisiones.
  • Personas con habilidades analíticas: un 30% del éxito dependerá de disponer de un buen equipo. Éste, es ahora mismo el gran handicap en España, sin ir más lejos. Faltan «profesionales Big Data«, en todos los roles que esto puede exigir: Data Science para interrogar apropiadamente los datos, tecnólogos de Big Data con capacidades de despliegue de infraestructura, estadísticos y matemáticos, «visualizadores» de datos, etc. A esto, debemos sumarle la importancia de tener cierta orientación a procesos de negocio o mercado en general, dado que los datos son objetivos per se; de dónde se extrae valor es de su interpretación, interrogación y aplicación a diferentes necesidades de empresa. Ahora mismo, este handicap las empresas lo están resolviendo con la formación de las personas de su organización.
  • Proceso de toma de decisiones «data-driven»: con el Big Data, obtendremos «insights». Ideas clave que nos permitirán mejorar nuestro proceso de toma de decisiones. Una orientación hacia el análisis de datos como la palanca sobre la que se tomarán las decisiones dentro de la compañía. Y las decisiones se toman, una vez que la orientación al dato se ha metido en los procesos. ¿Cómo tomaremos la decisión de invertir en marketing? ¿En base a la eficiencia de las inversiones y la capacidad de convertir a ventas? ¿O en base a un incremento respecto al presupuesto del ejercicio pasado? Los datos están para tomar decisiones, no para ser «un proyecto más«. Un 20% es éste factor crítico de éxito.
  • Infraestructura tecnológica: por último, obviamente, es difícil emprender un proyecto de este calibre sin infraestructura tecnológica. Por tecnología Big Data no va a ser. Nosotros también le dedicamos un buen número de horas de otro módulo a ello. El panorama tecnológico es cada vez más amplio. Pero, ya ven los elementos anteriores que debemos tener en consideración antes de llegar a este punto.

En cierto modo, estos elementos (Calidad de los datos, Liderazgo, Personas, Decisiones con datos e Infraestructura), con diferentes pasos y orden de importancia, es lo mismo que viene a recomendar un libro que encuentro siempre muy interesante para comenzar con el Big Data: «Big Data: Using Smart Big Data, Analytics and Metrics to Make Better Decisions and Improve Performance«. De él, extraigo la siguiente imagen, que creo ilustra muy bien la idea:

SMART model includes Start with strategy, Measure metrics and Data, Analyse your data, Report your results and Transform your business and decision making (Fuente: http://www.amazon.es/dp/1118965833/ref=asc_df_111896583332101237/?tag=googshopes-21&creative=24538&creativeASIN=1118965833&linkCode=df0&hvdev=c&hvnetw=g&hvqmt=)
SMART model includes Start with strategy, Measure metrics and Data, Analyse your data, Report your results and Transform your business and decision making (Fuente: http://www.amazon.es/dp/1118965833/ref=asc_df_111896583332101237/?tag=googshopes-21&creative=24538&creativeASIN=1118965833&linkCode=df0&hvdev=c&hvnetw=g&hvqmt=)

Ya veis que esto del Big Data y Analytics no va solo de tecnología. Hay muchos otros factores. Que, todos ellos, afectan al nivel de madurez de una organización para sacar provecho de un proyecto de análisis de datos.  Así que, para el próximo proyecto de Big Data que vayas a comenzar, ¿cómo tienes estos elementos de «maduros»?

8 comentarios sobre “El nivel de madurez de una organización para entrar en el mundo de Analytics / Big Data”

  1. Me parece una reflexión interesante. Relacionado con ello, recomiendo echar una vistazo a este «mini-site» de EMC titulado «Think like a data scientist»: http://www.emc.com/microsites/data-scientist-interactive-guide/index.htm.
    En general me parece un buen resumen de cómo abordar proyectos de analítica de datos para generar valor real y concreto para una empresa y, en particular, en la parte derecha hay un enlace que dice «Make it Happen» en el que explica muy bien las diferentes fases de evolución de una empresa hasta llegar a ser una empresa que tenga totalmente integrado la analíticas de datos en sus procesos de negocio.

    1. Buenos días Alex,

      mil gracias por compartir tan interesante recurso. Efectivamente, detalla muy bien cómo sacarle valor a un proyecto de este tipo, las fases que abordar y cómo integrar las soluciones en procesos.

      Gracias por la aportación, y estamos en contacto.

      Saludos,

  2. De acuerdo con lo que expones Alex.
    Basado en mi experiencia tenemos un futuro emergente muy interesante y nos vamos a divertir con ello encontrando VALOR en el camino. Espero que lo hagamos bien y colaboremos compartiendo las experiencias.

    Siguiendo los 5 apartados del primer modelo, en mi experiencia en empresas industriales y algunas de servicios, 1) Está bastante mal (hay muchos Datos pero no de calidad y hay que cambiar muchos hábitos y procedimientos para lograr u mínimo interesante) y tiene por el momento malas soluciones mientras en 2) No se lidere fuertemente el cambio. Prefieren las empresas seguir dedicando recursos en capturar datos de mala calidad y seguir dedicando recursos a realizar análisis con datos de mala calidad y en ……que coger el toro por los cuernos y pensar en qué DATOS de CALIDAD necesitan (tarea nada sencilla porque supone sacar a cualquiera de su zona de confort par hacer algo en el que no se es especialista!!) Y aquí también está el tema un tanto flojo en nuestro entorno porque hay poca cultura del dato entre nuestros directiv@s y del VALOR que se puede lograr obtener con ello. Entonces llegamos al punto 3) y no podría estar más de acuerdo en la formación, me dedico a ello!!. Los especialistas de los DATOS han de estar en las organizaciones en los equipos de trabajo para extraer valor. En este punto hay estrategia de formar a los de dentro o contratar fuera…Si la formación es interna es clave tener personas con perfiles adecuados de actitud investigadora y aptitudes para el trato con datos…y con disponibilidad de tiempo porque el ENTRENAMIENTO es LARGO.
    Las habilidades de Diagnóstico y Prescripción acorde con el negocio no se logran tan rápidamente como algunos creen; estos médicos de procesos requieren ver pacientes y tratar con las tecnologías para adaptarlas
    Respecto al pto 4) de proceso de toma de decisiones lo enlazo con la estrategia….y respecto la infraestructura tecnológica….comenzaría con cositas poco sofisticadas hasta llegar a entender y comprender lo que se necesita , hasta dominar el «know-how» , hasta entender «al señor Dato» y estar de acuerdo con los resultados…

    Bueno me he extendido….. Os felicito Alex por la formación que estáis llevando a cabo. Mucha suerte

    1. Buenos días Lourdes,

      como siempre, muchas gracias por tus magníficas aportaciones!! Un placer leerte.

      Como puedes imaginar, muy de acuerdo con lo que señalas.

      Bueno, que tengas un buen día 🙂

      Saludos,

  3. Soy nuevo en Big Data, pero no tanto en la implantación de mejoras estructurales en empresas. Me ha gustado que se valore con un 40% el Liderazgo, porque es la clave del éxito, siempre que los datos sean buenos. Los mandos intermedios se sienten incomodos haciendo las cosas de reepente de otra manera y la amaenaza de que los datos sepan mas del negocio que ellos, asusta a personas mentalmente consevadoras. Todo un reto a liderar !

    Gracias Alex por lanzarnos ideas para compartir.

    Saludos, Javier

    1. Y tanto… tú de esto, Javier, seguro que nos puedes ilustrar con muchos ejemplos sobre cómo el liderazgo es un factor crítico de éxito 🙂

      Cuando el proyecto de Big Data lo lidera un solo departamento mal vamos.

      Gracias a ti por animarte a compartir con el resto.

      Un abrazo.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.