El gobierno de los modelos analíticos es una función cada vez más estratégica para las empresas. Para analizar su importancia hemos llevado a cabo un evento digital junto al Club Chief Data Officer (CDO) Spain & Latam. Aprovechando la ocasión entrevistamos a Silvina Arce, Co-Founder del Club Chief Data Officer Spain & Latam para conocer su visión, entre otras cosas, de la operacionalización del analytics o sobre cómo implementar un adecuado gobierno analítico en las organizaciones.

Beneficios de la analítica

¿Qué ventajas o beneficios tiene para una organización apostar por la analítica de datos?

Si existe un beneficio básico este es entender mejor lo que está pasando en cada negocio, sacar insights a nuestros datos, de modo que nos ayuden a saber qué ha pasado y predecir qué puede pasar. Por otro lado, destacaría mejorar el conocimiento del cliente, una ventaja fundamental porque nos va a permitir personalizar mucho más nuestra oferta de productos, servicios y precios al cliente.

Y claramente señalaría la posibilidad de anticiparse a nuevas necesidades o incluso a nuevos modelos de negocio. Tener esa capacidad a través de analytics de predecir una evolución del negocio o del comportamiento de clientes nos permite ir un paso por delante y tener cierta ventaja competitiva en ese aspecto.

Al final, tener una buena analítica de datos en una empresa tiene que ayudar a evolucionar la toma de decisiones y mejorarla, a convertirla en una organización data driven en todos los niveles y no solo en el de dirección. En mi opinión es fundamental la toma de decisiones basadas en datos a cualquier nivel.

¿Ha evolucionado la figura de los CDOs de una organización? ¿Cuál es ahora su papel e importancia en plena transformación digital?

Sí, podemos decir que ha evolucionado significativamente. Por hacer un poco de historia, una gran parte de los primeros CDOs nacieron vinculados a la banca y al mundo regulatorio, por lo tanto, eran unas funciones con un objetivo muy concreto y muy limitadas a un alcance, que era cumplir con las exigencias de un regulador. En consecuencia, yo diría que lo que ha evolucionado principalmente es el alcance y la profundidad de las funciones que desarrollan.

Si inicialmente se acotaba mucho su alcance y la profundidad de datos, ya que estaban sobre todo dedicados al reporting regulatorio, actualmente sus funciones se han ido ampliando a la gestión del resto de áreas o de negocios, no solo a los ámbitos más regulados, sino con una visión muy estratégica y con foco comercial. Es decir, empezó siendo una función muy de gobierno del dato y ahora abarca tanto gobierno como estrategia.En esta nueva fase o, si lo queremos llamar, el CDO 2.0 ha ido incorporando funciones más analíticas y de aportación de valor, acelerando ese proceso de transformación digital de las organizaciones.

¿En qué consiste exactamente que una organización apueste por la operacionalización del analytics?

 Para hablar de operativización de los analytics hay que partir de la situación actual, donde nos encontramos en la mayoría de los casos con pequeños grupos de analistas o data scientists en diferentes áreas de negocio y con poca conexión entre ellos, lo que deriva en escasas oportunidades de compartir conocimiento, modelos, herramientas o estrategias. Este nivel de dispersión limita también la capacidad de escalar. Por tanto, creo que lo más importante aquí es evolucionar a un modelo que permita industrializar las distintas fases por las que pasa la generación de los modelos analíticos y en la última milla operativizar, pasar del modelo más estadístico matemático al mundo más real, a la implementación de este modelo si da el resultado adecuado.

Estaríamos hablando de vincular estos equipos de data science o analistas de datos no solo a la generación del modelo, sino a su implementación en la organización, teniendo en cuenta otros factores que no son solo estadística y matemáticas, por ejemplo, procesos internos o normativas. Muchas veces los modelos analíticos requieren hacer cambios no solo funcionales sino organizativos, no se trata solo de la mera implementación del modelo matemático.

Hablamos de industrializar para que se pueda escalar, pasar de los pequeños silos de capacidades analíticas a tener algo que permita procedimentar y estandarizar una buena parte del trabajo, lo que implica que posteriormente se puedan hacer más actividades con los mismos recursos y ganar eficiencia. Cuando uno está viendo el end to end de un modelo, no solo la parte matemática sino también cómo operativizarlo, se mejora mucho el time to market y también el conversion rate de modelos definidos a implementados

Por último, habría que mencionar un tema muy importante que es pasar del valor estimado a la captura de valor. Cuando se habla de un modelo calculas un valor estimado, el valor que genera teniendo en cuenta aspectos como ingresos o costes. Si no operativizas ese modelo no capturas el valor, no acaba siendo un valor real. Todo esto nos lleva a evolucionar hacia una organización data-driven y a la capacidad de escalar.

Ventajas de una hoja de ruta corporativa

¿Cuáles son las líneas estratégicas que debe de abordar una organización para hacer un buen gobierno analítico?

 Destacaría dos grandes temas a considerar. En primer lugar, hay que tener un adecuado balance entre qué funciones se van a ir centralizando más en una estructura de gobierno de analytics y cuáles deben permanecer descentralizadas en los propios equipos de analistas y data science. Ese balance es la clave para poder alcanzar un modelo industrializado. Esas pequeñas células que hoy existen lo hacen todo:  crean el modelo, buscan las herramientas, tienen sus propios estándares y procesos y esto obliga a que haya muchos equipos duplicando tareas y no por ello haciéndolo de la manera más óptima. Este tipo de funciones son las que hay que centralizar en una estructura más de gobierno que aporte capacidades a los equipos de analistas y data science, en cuanto a estructura, estándares, herramientas, inventarios de modelos o cómo reutilizar data sets enteros.

Por otro lado, no debemos olvidar que los analytics tienen que estar muy embebidos en el negocio. La clave de un buen modelo es que genere confianza en el negocio que lo tiene que implementar y para ello es imprescindible que colaboren de forma muy estrecha. Y, además el equipo de desarrollo de modelos tiene que conocer qué otros componentes, no tanto matemáticos o estadísticos hay que considerar para operativizar el modelo. Esas son funciones que deberían estar bastante descentralizadas e integradas en los negocios.

La clave para empezar un abordaje en este sentido es definir qué funciones son las propias de gobierno y cuales deben permanecer en los equipos de analistas y establecer un buen governance entre ambas funciones, que fluyan con facilidad las necesidades que tienen los equipos de analytics hacia el gobierno de los modelos y al revés. Se trata de que el gobierno de los modelos esté siempre innovando con nuevas herramientas o formas de optimizar las funciones que hoy se desarrollan, teniendo en que cuenta que es un área en la que hay una innovación prácticamente continua. Es importante que todo esto retroalimente también desde el gobierno de los modelos hacia los analistas, proporcionándoles nuevas prácticas que se puedan implementar y les ayuden a ser más eficientes u optimizar parte del trabajo que realizan.

La irrupción de la pandemia y el virus ha cambiado completamente el panorama empresarial. Teniendo en cuenta las nuevas necesidades derivadas de la situación, ¿qué impacto tiene la analítica de datos aquí? ¿Su uso puede suponer la diferencia entre sobrevivir a la crisis o no?

 En los últimos tiempos hemos ido viendo distintas situaciones que nos han sacado de nuestra zona de confort. Aquí la clave es anticiparse, tener una dinámica de medir y detectar lo más rápido posible cuáles son los cambios que se están produciendo en nuestros clientes, en nuestra oferta de productos y servicios o en los hábitos de consumo. Cuando ya existe esa dinámica de generar esos insights y esa visión, es más sencillo adaptarse de una forma rápida y flexible. Estas funciones son clave para poder anticiparse y transformar el negocio a medida que cambian las necesidades, como consecuencia de esta pandemia o de cualquier otra situación que se presente.

Lo bueno es que, una vez que se empiezan a establecer estas dinámicas de trabajo y estas funciones están embebidas en todos los negocios, se generan patrones de medir y detectar rápido que permiten anticiparse a tomar decisiones. Es evidente que vamos a vivir otras situaciones que van a transformar nuestro negocio. Si nos fijamos en las estadísticas y la duración media de las compañías, vemos que los negocios se transforman a una velocidad tremenda y pocos tienen antigüedades de 10 o 15 años. Esto nos hace ser conscientes del ritmo de cambio y de la necesidad de adaptación de los negocios si no quieren desaparecer.

 De cara a la época post-pandemia, ¿el analytics y la gobernanza del dato pasarán de ser algo “opcional” o algo a plantear, a ser algo “obligatorio” para crecer, ser competentes o mantener la posición en un mercado que, seguramente, aún esté adaptándose y recuperándose tras lo ocurrido?

Creo que es fundamental resaltar que es algo que todas las empresas deberían plantearse como básico o higiénico. Igual que tienen funciones como finanzas, contabilidad o RRHH, esto es igual de fundamental y de innato. Este es el tipo de planteamiento que se debe hacer la organización si no tiene desarrollada la función de analytics o gobernanza de datos. Otra cosa será como me doto de la capacidad, ya que dependiendo del tamaño puede recurrirse a distintas formas o escalas.

Una organización no se plantea no tener una contabilidad, unas finanzas o un área de RRHH independientemente de su tamaño. Claramente este mundo de estrategia, gobierno del dato y analytics debe pasar a ser una función absolutamente imprescindible en cualquier una organización.

¿Quieres más información sobre gestión de datos? En SAS podemos ayudarte