No solo te permiten mirar el pasado, además te dan la posibilidad de predecir lo que sucederá en el futuro en base a la historia.
Los datos son uno de los activos intangibles con mayor valor para las organizaciones, es donde se almacenan los resultados del negocio, la relación con nuestros clientes (internos y externos), además de rentabilidad, costos, márgenes, etc. es decir, información estratégica que permitirá a los líderes tomar decisiones más conscientes y orientadas al negocio.
Según un estudio de Accenture, las aplicaciones de data science pueden aumentar la productividad laboral en un 40%, esto demuestra que las empresas no solo incrementan su productividad económica sino también entran en un proceso de cultura ágil. Fredi Vivas, CEO de RockingData, especialista en datos, nos compartió cuáles son los desafíos que enfrentan las organizaciones y el rol fundamental de la información para una gestión exitosa en tiempos de pandemia.
Lo primero que solemos preguntar en Rocking Talent, es acerca de las personas. Alguien que viene del mundo de los datos, súper concreto… ¿qué nos quieres contar acerca de tu historia, de tu viaje a la NASA, de cómo eso impactó y generó nuevas posibilidades en tu carrera profesional?
Bueno primero quiero decirte que, si bien soy ingeniero en sistemas, me encanta la comunicación, estudié 4 años de periodismo que me sirvieron mucho y creo en el poder de unir mundos, en la importancia de potenciar tanto las habilidades humanas como las tecnológicas.
Lo de Singularity University en NASA fue una locura, pasé un verano entero ahí, gracias a una beca que elige una persona de cada país por año, compartí con 90 personas de 50 países. Distintas profesiones, realidades y todos queriendo entender mejor las tecnologías más disruptivas del mundo como inteligencia artificial, machine learning y robótica para solucionar problemas.
2) Sabemos que RockingData nace entre amigos y la música. ¿Nos cuentas un poco más acerca de esa combinación? y ¿cómo es trabajar con amigos? Muchos dicen que no lo recomiendan…danos tu opinión según tu experiencia.
¡Si! antes de arrancar nuestra startup trabajamos juntos los 3 en una multinacional, haciendo proyectos de Big Data. Nos sentábamos en la misma mesa. Hablábamos de música y tecnología todo el tiempo, las cosas que más nos apasionan. Nos fuimos haciendo amigos y vimos también que éramos buen team de trabajo, porque nos complementamos mucho, los 3 tenemos perfiles bastante distintos. Como somos músicos, fue natural juntarse a tocar y seguir charlando.
Cuando decidimos crear la empresa y había que ponerle un nombre, fue bastante fácil porque las 2 cosas que más nos gustan son el rock y los datos. De ahí nuestro nombre “RockingData”.
La actitud rockera de ir al frente y ponerle onda a lo que hacemos nos representa.
Emprender con amigos yo creo que es lo mejor que me pudo pasar, porque realmente es un camino difícil y tener el apoyo de la gente que quieres es clave en momentos difíciles. Por supuesto, tiene que ser además un equipo que funcione profesionalmente, nosotros nos exigimos mucho entre los 3, siempre empujándonos a mejorar en lo que hacemos.
Una de las cosas que más nos llamó la atención, es la simplicidad que tienen a la hora de explicar algo tan complejo como Big Data ¿Qué es la Big Data? ¿Cuánto ha cambiado con la pandemia la generación de datos y la administración de los mismos? ¿Cómo le podemos explicar a las personas de manera sencilla este universo?
Si, intentamos hacerlo simple porque creemos que es una tecnología demasiado importante y no queremos que nadie se quede afuera solo por usar jerga compleja.
Big Data es un concepto netamente técnico, propio de esta era que vivimos generando datos digitales, interactuando con dispositivos conectados a internet todo el tiempo. Eso produce datos masivos, enormes volúmenes, transmitiéndose a grandes velocidades y con tipos de datos variados, como pueden ser imágenes, audios o videos. En épocas de cuarenta creció tremendamente el uso de comercio electrónico y plataformas digitales, por ejemplo, algunas plataformas de videoconferencia aumentaron su uso más de 600%.
Este incremento en el uso, creo que debería poner más que nunca en la mesa de las compañías la importancia de entender estos datos, convertirlos en información que sirva para accionar y tomar decisiones más inteligentes.
Por ejemplo, si queremos entender mejor las ventas, podríamos cruzarlas con visitas en la web, combinarlas con los productos que más se miran, enriquecerlas con datos externos como el censo para conocer mejor las zonas desde donde nos compran o con información de Google para profundizar sobre la data geográfica. Esta es una forma de pensar una solución desde la pregunta que queremos responder, desde el objetivo de negocio, que en este caso estaría relacionado a vender más, fidelizar o reducir costos.
Se habla mucho de la información como base para la toma de decisiones. A veces es difícil entender cómo esto penetra en todas las áreas de la vida, ¿nos ayudas a comprender la diferencia entre Big Data y la analítica de datos o Machine Learning? Es un lindo momento para que nos ayudes a entender las diferencias y los alcances.
Si, es verdad. Sin darnos cuenta usamos inteligencia artificial y machine learning a diario.
Big Data es el resultado de los últimos 10 años, donde tuvimos una combinación explosiva de mayor uso de internet, capacidad de almacenamiento más barato y el incremento de dispositivos conectados provocaron que el volumen de datos crezca exponencialmente.
Pero el desafío ya no es tener los datos, sino encontrar nuevos conocimientos en ellos.
Es ahí donde aparecen las técnicas de ciencia de datos, específicamente el machine learning (aprendizaje automático) para aprovechar la experiencia de las organizaciones, generando modelos predictivos para no solo mirar el pasado para generar informes, sino tener la posibilidad de predecir lo que sucederá en el futuro en base a la historia, descubriendo patrones que nunca antes habíamos visto.
Es un campo multidisciplinario en continuo desarrollo que involucra conocimientos de negocios, ciencias de la computación y estadística.
Cuando Netflix te recomienda una película usa todo el conocimiento registrado en su base de datos sobre nuestro comportamiento, horarios preferidos, actores, géneros etc. para ser relevante en su propuesta, lo mismo que las recomendaciones de compra en los sitios como MercadoLibre o las sugerencias de recorridos marcadas por Waze, todas usan algoritmos de inteligencia artificial y machine learning.
RockingData es una consultora de análisis de datos y data science (otro concepto nuevo) que provee a sus clientes de información relevante para ayudarlos a eficientizar la toma de decisiones de negocio. Para las empresas que no están introducidas en este universo, ¿cuál sería el primer paso para empezar a profundizar? ¿sería un buen paso conocer la pregunta de negocio que quieren resolver?
Un buen primer paso es pensar los objetivos de negocio, pensar qué necesidades tiene para solucionar y cómo los datos pueden ayudarlos en ese camino.
La ciencia de datos se convierte entonces en una herramienta para traducir las necesidades de las empresas en algoritmos. Aportan precisión, rigurosidad científica, flexibilidad y escalabilidad. Por ejemplo, proyectar con precisión las ventas, recomendar la mejor oferta para cada cliente, tener una visión 360º de los clientes, optimizar los procesos de negocio para reducir costos o detectar posibles operaciones fraudulentas automáticamente.
Vemos también empresas que entran en un “fanatismo” por los datos ¿existen las empresas 100% Data Driven?
Bueno creo que ningún fanatismo es bueno, pero si me das a elegir prefiero empresas que tomen decisiones basadas en datos a las que toman decisiones a ciegas, solo basadas en supuestos o en la intuición. El escenario ideal me parece es el que las organizaciones generan datos digitales, los analizan, realizan abstracciones, arman modelos y realizan predicciones, esto en un proceso co–creado por expertos en ciencia de datos y expertos en el dominio del problema. Es la forma ideal de trabajar y que tanto valor le dio a la creación de conocimiento y de ciencia a lo largo de la historia.
No sé si existen las empresas 100% data driven, pero puedo decirte que las que nacieron digitales, como los Amazon, Spotify o Google basan todas sus decisiones clave de negocio en datos. Porque saben que los datos son su principal activo estratégico, y que reflejan toda la experiencia de la organización; cada transacción, incumplimiento de crédito, reclamo de un cliente, cada venta, contenido reproducido o medicamento recetado, todo eso genera un registro en los sistemas a cada segundo en todo el mundo. Y todo podría servir para aprender.
Si nos metemos un poco más profundo en el universo de RR.HH. Machine Learning aplicado a los Recursos Humanos. ¿Qué nos podrías contar y cómo son los modelos predictivos que se pueden gestionar? ¿Por qué consideras importante incluir analytics en la gestión de talento?
Pienso que es clave porque el campo de HR es sensible al cambio y decisivo para el éxito organizacional. Incorporar la ciencia de datos puede posibilitar el camino hacia una visión 360ª employee centric.
Algunos ejemplos para lo que puede usarse son:
¿Cómo definir segmentos de colaboradores con un proceso analítico y cuantitativo a partir de datos internos y externos? ¿Cómo predecir el abandono de colaboradores?
¿Cómo identificar candidatos con potencial acortando los tiempos de recruiting?
¿Cuál consideras debe ser la ruta de las organizaciones para la transformación digital en el futuro (presente) de los negocios? Si es que hay una ruta ideal.
No tengo dudas que el mundo seguirá avanzando en la incorporación de estas tecnologías, pero también es clave identificar que para liderar iniciativas exitosas de ciencia de datos debemos considerar:
-definir los objetivos estratégicos
-priorizar las oportunidades adecuadas
-iterar y hacer experimentos
-aplicar un proceso estandarizado de buenas prácticas de machine learning
-diseñar conscientemente las soluciones para maximizar el impacto positivo en la organización
Una organización data driven no se define por el número de científicos de datos que tiene, ni por la cantidad de informes y análisis que puede hacer, sino por la capacidad de diseñar y ejecutar acciones basadas en datos que mejoren el rendimiento del negocio.
Vemos como cada día son más las áreas que implementan machine learning e inteligencia artificial en sus labores. ¿Hacía donde nos dirigimos? Y ¿cuál consideras debe ser el rol de los CEO o líderes de las organizaciones ante esto?
Para mí la mejor forma de explicar lo que puede hacer la ciencia de datos por los CEO o líderes es pensar algunas de las preguntas que pueden responder con precisión sus modelos.
– ¿Cómo puedo predecir las ventas en cada ubicación para que no nos quedemos sin stock?
– ¿Cuál es la mejor oferta que le puedo sugerir a cada cliente?
– ¿Cuáles son mis clientes/alumnos/pacientes/colaboradores con más probabilidad de abandonar mi organización?
– ¿Cómo puedo predecir el ingreso que me generará cada uno de mis clientes?
– ¿Cómo puedo detectar el fraude antes de que se realice una compra?
El rol de un líder lo imagino como un impulsor interno de esta revolución data driven, un guía para orientar los esfuerzos hacia las necesidades clave y asegurando la adopción del proceso de toma de decisiones basadas en datos.
Algo de lo que se habla mucho es el miedo que los modelos predictivos eliminen la fuerza de trabajo humana. ¿Cómo mantenemos dentro de nuestras organizaciones estas corrientes (modelos predictivos) sin afectar las interacciones entre las personas?
Muchas tareas repetitivas y que no agreguen valor se reemplazaran por algoritmos, eso no tengo dudas porque ya lo estoy viendo a diario. Es necesario, sin duda, un upskilling para mejorar las habilidades de los equipos y expandir sus capacidades. Desarrollar la “data fluency” o fluidez de datos es importante para incorporar conceptos y tecnologías que serán nuestros aliados en el día a día de nuestros trabajos en los próximos años.
