Las pymes buscan analistas de datos

Dicen que ya hay más datos almacenados que estrellas en el universo. De ahí el protagonismo que han adquirido los analistas. La información constituye el principal activo para las compañías y el desarrollo del big data permite conocer el comportamiento y los hábitos de compra de los clientes.

¿Por qué todas las empresas quieren tener un analista de datos?, ¿cuáles son los datos con más valor para las pymes?, ¿cómo pueden convertirse los datos en información útil? El analista de datos ha pasado a ser el nuevo pilar fundamental de las empresas. Gracias a nuestra huella digital, estos profesionales pueden cruzar datos y, a través de algoritmos, prever patrones de conducta de los clientes. Rodeados de sensores en las casas, en los coches, vivimos inmersos en la era digital, bajo una tormenta incesante de datos. Y las compañías del futuro deben aprender a aprovecharlos por una mera cuestión de supervivencia.

Pero, ¿quiénes gestionan todos estos datos? José María Arce, Head of Enterprise, Data & Architecture para una de las principales empresas del sector asegurador, afirma que son una “nueva” generación de profesionales con conocimientos informáticos y matemáticos, que saben manipular, tratar, depurar y analizar la información que contienen los datos.

La del analista de datos será una de las figuras más demandadas por las empresas del futuro, que estará determinada por la digitalización, la multicanalidad y la necesidad de adelantarse a los requerimientos de los clientes, conocerlos en profundidad y ofrecerles lo que buscan en el momento preciso. Juan José Casado, director académico del máster en Business Analytics & Big Data en IE Business School, sostiene que los data driven business han generado un nuevo estándar de servicio basado en la personalización absoluta de la experiencia del cliente al que el resto de industrias se tendrá que adaptar si quiere sobrevivir en la nueva economía de servicios digitales que gobernará nuestro siglo.

Actualmente, el analista de datos es una de las profesiones más importantes dentro de cualquier organización. De hecho, según se desprende de algunos estudios, el 71% de los CEO declara que desarrollar capacidades analíticas es su máxima preocupación y su principal necesidad para poder generar ventajas competitivas sostenibles que les permitan triunfar frente a sus competidores.

Si algunas empresas, como Gartner, cifran en 5,4 millones el número de puestos de trabajo que se habrán de desarrollar en todo el mundo relacionados con el análisis de datos, según el informe EPyCE 2015 se trata del segundo perfil profesional más difícil de encontrar en España. Y en esa misma línea McKinsey anticipaba que el gran problema al que pueden enfrentarse las empresas en los próximos años es la incapacidad de encontrar profesionales en el mercado laboral con las habilidades analíticas necesarias. Por ello, no es de extrañar que Harvard Business Review proclamara recientemente que la de data scientist será la “profesión más sexy del siglo XXI”.

Cada dos días se originan tantos datos como ha generado la humanidad desde sus inicios hasta 2003. Datos que provienen de todo tipo de fuentes: dispositivos que capturan información climatológica, posts de páginas web, fotografías y vídeos digitales, registros de transacciones de compras, señales GPS de móviles…

Así, más allá de que todas las compañías quieran tener un analista de datos, el big data está suponiendo un factor clave para que las empresas puedan afrontar el gran reto de la transformación digital. Y Casado asegura que aquellas compañías capaces de realizar este proceso con éxito liderarán su sector, como ya ha ocurrido con empresas como Google, Amazon, Facebook, Twitter o Linkedin, “cuyos modelos de negocio están orientados a la explotación de la información que tienen de sus clientes”.

Los analistas de datos requieren profundos conocimientos de distintas disciplinas, lo que para Casado es muy difícil de encontrar en una sola persona. Y la necesaria formación académica pasa por tener conocimientos matemáticos y estadísticos para desarrollar algoritmos y modelos predictivos; conocimientos de tecnología y programación para manejar grandes volúmenes de datos; y conocimientos de negocio para entender la usabilidad del análisis.

“Los datos son el petróleo del siglo XXI, el principal activo para las empresas”. Arce piensa que obligar a las compañías a analizar e interpretar la cantidad tan sustancial de información que acumulan puede resultar muy imperativo, pero en función del sector lo considera indispensable. Es más, las grandes empresas digitales no cobran por sus servicios, porque en realidad somos nosotros y nuestros datos el verdadero producto. Valen lo que valen nuestros datos y su capacidad para monetizarlos.

Sin embargo, las empresas -en especial las pequeñas- siempre se han gestionado por la percepción del empresario. “Han vivido de espaldas a los datos, aunque lo mejor para verificar, adaptar o reafirmar las estrategias sea basarse en los hechos, en los datos”.

En función del análisis de datos, los empresarios pueden tomar tantas decisiones como tenga su imaginación. Desde descubrir el 20% de los clientes que aportan el 80% del negocio, hasta conocer qué productos no resultan rentables. Sin olvidar, claro está, la capacidad de adaptar los horarios según la demanda, de optimizar los costes, de saber la rentabilidad por empleado y producto, de detectar el fraude, predecir robos, calcular provisiones de fondos a futuro, averiguar los productos que más se venden por su color o posicionamiento en una estantería, analizar el desplazamiento de los clientes por la superficie, etc.

Casado piensa que cualquier decisión que se toma en una empresa es susceptible de ser mejorada en función del análisis avanzado de los datos. E insiste en que puede ayudar a predecir la demanda y a ajustar la producción, decidir qué potenciales clientes responderán mejor a una campaña, prever cuándo una máquina dejará de funcionar o qué transacciones tienen mayor riesgo de resultar fraudulentas.

“Las empresas más avanzadas, como Google, son auténticas data driven business, que se gestionan teniendo en cuenta los datos, no las opiniones de sus ejecutivos. Estas organizaciones, además, implantan masivamente sofisticados algoritmos de autoaprendizaje que les permiten optimizar todos sus procesos”, agrega Casado.

Datos más valiosos

Los datos con más valor para las pymes son aquellos que permiten conocer con detalle a los clientes. Y es que descubrir sus gustos, aficiones, actitudes o estilos de vida resulta fundamental a la hora de personalizar la experiencia. Con este objetivo, indica Casado, las pymes deben ser capaces de analizar datos internos, la navegación del cliente en la web, los datos de su CRM…, pero también es recomendable acudir a fuentes externas, tanto públicas como privadas (redes sociales).

“Las pymes deben ser capaces de adaptarse a un nuevo modelo de negocio basado en desarrollar las capacidades necesarias para analizar los datos de sus clientes y adquirir un conocimiento que les permita ofrecer una experiencia realmente diferencial y personalizada, pudiendo así competir en igualdad de oportunidades con los grandes players de cada industria”.

Casado opina que la auténtica revolución está en llevar la analítica al front office y generar nuevos productos y servicios basados en estas nuevas capacidades, que posibilite a las empresas diferenciarse de sus competidores y obtener una ventaja competitiva, consiguiendo un verdadero engagement con sus clientes.

6 claves de análisis

El proceso del análisis avanzado de datos y desarrollo de modelos predictivos es, según Casado, prácticamente artesanal y está liderado por la figura del data scientist. Para ello, el método se descompone en una serie de pasos:

Comprensión del negocio: el primer paso que debe dar el data scientist es entender bien el problema de negocio que se quiere resolver y plantear los objetivos del análisis.
Comprensión de datos: durante esta fase el data scientist investiga todos los posibles datos de los que dispone, tanto de dentro como fuera de su organización, para dar respuesta a la pregunta de negocio. Posteriormente, selecciona los que considera que le serán más útiles.
Preparación de datos: esta fase cubre todas las actividades que se realizan para construir un conjunto de datos, como son la creación y transformación de tablas de datos, la auditoría de calidad de datos, la limpieza de los mismos y la generación de nuevas variables o atributos que puedan ser predictivos.
Modelado: en este período se seleccionan y aplican sobre los datos varias técnicas estadísticas o algoritmos computacionales que ayudarán a dar respuesta a la pregunta de negocio planteada. Para cada tipo de pregunta y en función de los datos que disponga, el data scientist decide que técnica tiene sentido utilizar.
Evaluación: durante esta etapa el analista de datos ha construido un modelo (o modelos) y evalúa la calidad de los resultados desde una perspectiva científica y de utilidad. Si la respuesta es equivocada o la bondad del modelo no es suficiente, volverá a comenzar el proceso, añadiendo nuevas variables y quitando otras en función de su intuición hasta dar con una fórmula que le satisfaga a él y a sus usuarios.
Despliegue: finalmente se pone en marcha el modelo, pudiendo ser algo tan simple como una presentación de resultados o la generación de un reporte automático, o tan compleja como la implementación de un proceso de explotación de información que atraviese a toda la organización.