"La falta de cultura de toma de decisiones basada en datos es la gran dificultad de las compañías"
Manu Carricano es el director del nuevo Institute for Data-Driven Decisions que acaba de crear ESADE y que se ha estrenado con la publicación del informe Adopción e impacto de los big
data y la advanced analytics en España. Tras el análisis de decenas de empresas, los resultados del estudio apuntan que aún queda mucho camino por recorrer para que la adopción del Big Data en las empresas sea una realidad.
Según el estudio, el 55% de las compañías no tienen cultura de toma de decisiones basada en datos. ¿Cómo valora este dato?
La realidad es peor porque el estudio se basa en empresas avanzadas por definición. Si lo extrapolamos a un nivel más general, el porcentaje sube mucho más. Y eso es grave porque la falta de cultura es la dificultad principal de las compañías que quieren iniciar su transformación.
¿Por qué hay esa falta de cultura?
Para que haya cultura tiene que haber un consumo de la información de la empresa; y por ahora este consumo sigue siendo muy tradicional, con informes, y muy poco democratizado. Hoy en día vemos que hay una nueva fase en la que se da acceso más amplio al Big Data y con modelos que se democratizan en toda la empresa. Por ejemplo, el machine learning se acerca a la gente de negocio porque ahora las herramientas son más asequibles, más fáciles de implementar, y más completas tanto a nivel de preparación del dato como de gestión de los modelos, incluso de automatización de estos modelos.
Otro dato del estudio es que las empresas que facturan unos 200 millones de euros al año destinan 1,8 millones al Big Data. ¿Es suficiente?
Las compañías que facturan a partir de 200 millones aceleran su inversión, porque las empresas están más preparadas para acceder a su transformación. Aunque vemos que hay dos velocidades, las que iniciaron el proceso hace dos años, ya han hecho el trabajo inicial de preparación e integración de los datos y ahora se concentran en la fase de los beneficios. Y otras que justo ahora empiezan o que arrancaron más tarde.
¿Las compañías recogen muchos datos y analizan muy pocos?
Hay muchos más datos de los que se analizan, por ejemplo los no estructurados, como las interacciones con clientes, los textos… Estos se trabajan poco. Pero la tendencia parece cambiar. Ahora la inversión en estos procesos es menor porque han bajado los costes de almacenamiento y hay muchas más herramientas desarrolladas, precisamente, por start-ups. También es muy importante el acceso a ciertos perfiles, las nuevas generaciones están mejor preparadas y permiten a las empresas que quieren cerrar su proceso, contar con estos trabajadores más jóvenes de forma interna, cuando antes tenían que contratar a proveedores de tecnología.
En el estudio se indica que faltan perfiles analíticos, como los 'data scientists' y los 'data managers'. No hay suficientes profesionales en este ámbito. ¿Cómo se genera ese talento?
Hoy en día hay una guerra de talento. En Barcelona, en particular, y en zonas que son atractivas para las start-ups o las grandes compañías. Lo buscan en la competencia, en eventos… Aquí hay un terreno importante para mejorar, pero está llegando una generación más preparadas con conocimientos mucho más amplios. Creo que en esta guerra de talento las empresas se equivocan un poco a la hora de definir los perfiles. Todos van a buscar el data scientist pero lo que en realidad necesitan es una mezcla de perfiles. Por ejemplo, vemos que a nivel de planes de desarrollo de empresas hay una mezcla de roles con ingenieros de datos y data scientist -que trabajan en el centro de excelencia de la empresa-, pero para cada uno de ellos se precisan business analysts que sean capaces de tener una cultura profunda del dato. Y esto ya está cambiando con algunos programas de formación en empresas.
El análisis constante de los datos, las 'start-ups' lo llevan en su ADN.
Lo hemos visto en el estudio. Una start-up empieza de cero y tiene esta cultura desde el primero momento. Analizan desde el principio todos los procesos internos para mejorar y ser más eficaces. En la empresa tradicional es muy difícil cambiar perfiles y roles, y formar a la gente para que trabaje de forma diferente. Un ejemplo claro: el conocimiento del cliente es el objetivo número uno de las empresas que integran datos y un cambio claro para la empresa sería reemplazar un expertise basado en la intuición o en años de experiencia por algo que se sostenga con datos y modelos.
¿Qué aporta realmente el análisis de los datos a las compañías, ya sean medianas o grandes?
En una primera etapa nos centramos en integrar pero no se veía muy bien cuál era la utilidad. Se trabajaba sobre la parte tecnológica y se pensaba que había que monetizar los datos, como si el esfuerzo de integración se transformara con nuevas fuentes de ingresos. Hoy en día las empresas son más realistas y los casos de usos principales son de dos tipos. El primero es mejorar la eficiencia interna, y el segundo es de crecimiento externo, es decir, para conocer mejor al cliente, lo que permite hacer propuestas más ajustadas y una política de promociones más eficiente por ejemplo.
¿Cuáles son los retos inmediatos para las compañías respecto al Big Data?
Para las empresas grandes o medianas es la democratización del acceso y el consumo del dato, que pasa por repensar la manera cómo se organizan los proyectos. Hay que pensar como una start-up. Muchas empresas que han construido un centro de excelencia en datos se ven y trabajan como una start-up, con equipos reducidos trabajando de forma ágil. El gran reto es ser capaz de ser mucho más ágil en el despliegue de las iniciativas y no pensar en proyectos de transformación complejos y largos. Hay que trabajar los proyectos como casos de uso más verticales y cerrados, y gestionados de forma más ágil, con equipos que pasarán de un caso de uso a otro, involucrando áreas funcionales de la empresa que hayan mejorado su relación con el dato.
"Hoy en día hay una guerra de talento entre las compañías. Creo que las empresas se equivocan un poco a la hora de definir los perfiles. Todos van a buscar el 'data scientist' pero lo que en realidad necesitan es una mezcla de perfiles".