Las empresas mexicanas han alcanzado, sin duda, un importante nivel de madurez en lo que se refiere a la adopción de tecnologías analíticas. Reconocen cada vez más la importancia de aprovechar la analítica, junto con la inteligencia artificial (IA) y el machine learning (ML), para automatizar procesos, lograr mayor agilidad y flexibilidad, y elevar exponencialmente su productividad.

Les ayuda a analizar información puntual para anticipar los cambios del mercado, la cual utilizan como pieza fundamental de su estrategia de negocio, y adoptan procesos repetibles y continuos que les permite generar valor rápidamente. Al mismo tiempo, promueven la colaboración y el intercambio de insights entre las unidades de negocio para tomar decisiones sobre el rumbo que tomará su negocio hoy y en el futuro.

No obstante, el trayecto hacia convertirse en empresas analíticas no está exento de obstáculos. Destacan en particular tres desafíos a los que las organizaciones mexicanas se enfrentan: la integración e interoperabilidad de las tecnologías analíticas, poner en producción los modelos analíticos, y la escasez de talento humano con las competencias y conocimientos necesarios.

Respecto al primero de ellos, las organizaciones gestionan actualmente un ecosistema analítico que integra soluciones de código abierto, machine learning e inteligencia artificial, entre otras tecnologías, y el cual está en constante crecimiento. Si bien amplían la capacidad analítica, estas innovaciones conllevan nuevos retos y riesgos como la creación de silos analíticos y complejidad tecnológica. Estos surgen cuando los analistas implementan distintas herramientas, y en cada silo utilizan sus propios datos, algoritmos, código y versiones, lo que dificulta la gestión y el mantenimiento.

Esta inconsistencia dificulta la interpretación del código escrito por diferentes programadores, desacelera el manejo de datos en soluciones de código abierto, amén de que el gobierno de modelos resulta insuficiente ya que no todos los lenguajes de programación son transparentes ni aseguran la trazabilidad de las versiones y procesos de datos, lo que puede generar resultados inconsistentes.

Por otra parte, sólo el 35% de los modelos analíticos que se desarrollan se ponen en producción, y dicho proceso puede tomar de tres a nueve meses, lo que puede llegar a retrasar el retorno de la inversión (ROI). Asimismo, la escasez de talento humano capacitado en analítica y nuevas tecnologías se suma a la lista de retos que complica el avance de una cultura empresarial basada en el aprovechamiento de la información.

Las respuestas

A fin de integrar y gestionar las tecnología analíticas que una organización implementa, es críticio contar con una plataforma analítica centralizada, resiliente y escalable que permita unificar diferentes herramientas y activos analíticos en un ambiente optimizado, gobernado y colaborativo. Esto, en consecuencia, favorecerá la productividad, la innovación y la agilidad para arrojar resultados tangibles.

En cuanto a la puesta en producción de modelos analíticos, y operacionalizar la analítica, un recurso efectivo es automatizar los procesos involucrados en el desarrollo de modelos, y visualizar con precisión cuántos están en producción. Al tener control sobre quién los desarrolla, implementa y actualiza, así como monitorear su desempeño e identificar su degradación, se mantiene un control más estricto de las versiones y las modificaciones realizadas.

Para mejorar las habilidades del talento humano, las empresas que están apostando por sustentar sus decisiones estratégicas con sus datos, están creando centros de competencia analítica para capacitar a sus colaboradores y ayudarles a certificarse. Al mismo tiempo, los proveedores de software trabajan en hacer que la analítica sea más accesible y fácil de entender, a la vez de facilitar el uso de las interfaces.

La ruta hacia la analítica

La migración de la analítica a la nube está abriendo un amplio abanico de ventajas para las organizaciones: procesamiento y análisis de datos para encontrar las respuestas a sus problemas de negocio más apremiantes, tomar las decisiones más informadas posibles, e identificar oportunidades para crecer, innovar y ser rentables.

Les ofrece asimismo el potencial de elevar su agilidad y escalabilidad, reducir costos y el tiempo de gestionar una infraestructura TI propietaria, de modo que puedan enfocarse totalmente en el core del negocio.

Más aún, la nube ha alcanzado niveles de evolución y sofisticación que parecían inimaginables. Al sumar la analítica, les ofrece a las empresas acceso a tecnologías cognitivas, como el machine learning y la inteligencia artificial (IA), a una infraestructura de TI más avanzada  y robusta, y la capacidad de aumentar o reducir el aprovisionamiento de los recursos cloud de acuerdo con sus requerimientos.

La #analítica en la nube ofrece ventajas como: procesamiento y análisis de datos para encontrar respuestas a problemas de negocio, toma de decisiones más informadas e identificación de oportunidades para crecer, innovar y ser rentables. Click To Tweet.

Además del esquema de licenciamiento on-premise y de nube, existen otras opciones a través de las cuales las empresas tienen acceso a la gama de beneficios que les ofrece la analítica: software como servicio, servicio administrado de aplicaciones, servicios administrados hospedados, servicios administrados remotos y resultado como servicio, éste último dirigido a las pequeñas y medianas empresas.

Entre los beneficios destacan la reducción de costos de capital y operativos al no requerir la compra de hardware y consolidar licencias de software y silos de información a lo largo de la organización, optimizar el talento interno al enfocarlo en acciones estratégicas, reduciendo la curva de aprendizaje y trasladando la administración de la solución hacia los expertos, y obtener un retorno de la inversión más tangible al eliminar elementos tradicionales más costosos para la implementación de tecnologías.

Equipo interdisciplinario

Para superar los desafíos, también es fundamental conformar equipos interdisciplinarios que aporten sus puntos de vista y capacidades en áreas como la integración y análisis de datos, la interpretación de los resultados de los modelos analíticos y entender las necesidades del negocio.

Se han identificado tres roles clave que deben ser parte de dichos equipos y que tienen gran influencia para lograrlo.

Por un lado, el científico de datos asume un papel relevante como el experto en datos analíticos con las habilidades técnicas para resolver problemas complejos. Su rol abarca actividades como recopilar grandes cantidades de datos para transformarlos a un formato más utilizable, dominar varios programas de programación, tener dominio de la estadística y técnicas analíticas como machine learning, y comunicarse y colaborar con las áreas de TI y de negocios.

El equipo de TI, liderado por el CIO, colabora con los científicos de datos para comprender las necesidades de programación, codificación o API para integrar los modelos analíticos a los sistemas operativos; sus miembros diseñan, ajustan y gestionan la infraestructura de TI para los modelos analíticos, e incorporan los resultados analíticos a las aplicaciones nuevas o existentes.

En tanto, los ejecutivos de negocio son los responsables de definir los beneficios que esperan de los modelos analíticos para resolver retos de negocio específicos, supervisan los resultados de manera continua y comprenden cómo las decisiones influenciadas por los modelos analíticos impactan los procesos de negocio y contribuyen a la creación de una cultura analítica más sólida.

A lo largo de 2020 y lo que va del presente año, las empresas mexicanas, al igual que las del resto del mundo, aceleraron su transformación digital, y saben que necesitan aprovechar sus datos para seguir siendo más competitivas y resilientes. Integrar la analítica requiere una cultura que reconozca la importancia de tomar decisiones de negocio estratégicas basadas en la información, y descubrir oportunidades que de otro modo permanecerían ocultas.