#14 Iniciando tu Transformación Organizativa para Convertirte en Centrado en Datos
Subscribe to get the latest
on 2020-08-20 00:00:00 +0000
with Darren W Pulsipher, Sarah Kalicin,
El episodio de hoy trata sobre cómo poner en marcha tu organización para que se vuelva centrada en los datos y el valor que esto puede aportar. El invitado especial de Darren es Sarah Kalicin, la científica de datos principal para los centros de datos en Intel.
Keywords
#analytics #data #datamanagement #multicloud #people #process
Operativizando el sistema de análisis
Lo primero que hay que entender sobre el proceso de operativizar el análisis de datos es que es complejo. Algunas personas piensan que los datos son la nueva electricidad y funcionan en un sistema similar. Considera este ejemplo: en un sistema eléctrico simple, hay una fuente de energía y algunos cables que van hacia una bombilla. Siempre que haya una fuente de energía y los cables tengan alta integridad, puedes apagar la luz, y luego seis meses después regresar y encender el interruptor y saber que la bombilla se encenderá de nuevo.
Un sistema analítico no funciona de esta manera. Hay muchos tipos de “cortocircuitos” y variables que pueden causar fallos, como la entropía. Es importante tener a las personas adecuadas en tus equipos que puedan trabajar y entender todos los diferentes tipos de fallas que pueden ocurrir, o de lo contrario no obtendrás información correcta o útil.
Sus datos deben ser formateados de cierta manera para los algoritmos de aprendizaje automático. El algoritmo debe entender qué representa los datos para poder atender adecuadamente el patrón. A menos que los datos sean cuidadosamente formateados, existe el riesgo de ingresar basura y obtener resultados insatisfactorios. Aquí es donde son importantes sus ingenieros, científicos de datos y otros arquitectos de datos de apoyo.
Haciendo las preguntas correctas
Otra parte del sistema es asegurarse de tener las preguntas de negocio correctas. Una organización debe proporcionar preguntas fundamentales acerca de lo que intentan obtener de los datos: ¿Qué conocimientos necesita nuestro negocio? ¿Cómo podemos pintar una imagen más clara de cómo se ve realmente nuestro panorama? ¿Qué datos nos permitirán hacer eso?
Muchos ejecutivos aman la idea de hacer análisis, IA y big data, pero no saben cómo empezar. El primer paso es que los ejecutivos se hagan cargo de lo que quieren que los datos hagan por la organización. ¿Qué valor empresarial va a surgir de los datos? ¿Qué tipo de datos ya tenemos? ¿Qué datos podemos crear que pinten una imagen más completa de lo que está sucediendo? ¿Cómo se ve el éxito? El enfoque debe estar primero en los cimientos organizativos.
Recopilación de datos, preparación y análisis de información.
Después de responder esas preguntas, el siguiente paso es esbozar lo que se necesita lograr y comenzar a desglosarlo en partes más pequeñas. Las organizaciones deben analizar sus fuentes de datos actuales, determinar su confiabilidad e identificar lo que falta, seguido de la recolección y preparación de datos.
Con los datos en mano, es tiempo de crear la historia. Esto implica no solo a científicos de datos, sino también a expertos en el campo y personas de negocios y marketing. La contribución de estos diferentes grupos asegurará que los datos añadan valor al negocio en lugar de convertirse solo en un ejercicio académico o un experimento aislado. A partir de los datos, en última instancia se busca obtener una visión valiosa y confiable que ayude a mejorar el negocio en lugar de simplemente recolectar datos que sean convenientes pero no accionables.
Ahora que has recopilado los datos, los has analizado y tienes algunas ideas, ¿cómo los operacionalizas?
Ejemplo de éxito en Analítica Operativa
Un ejemplo de la fabricación es una buena manera de mostrar cómo los datos funcionan exitosamente a través de la cadena de suministro. Comienza con el valor empresarial fundamental de maximizar el rendimiento de tu producto. ¿Qué fuentes de datos podrían decirte si tienes productos rotos o deformados? Las cámaras al final de las líneas de ensamblaje podrían crear un modelo de aprendizaje profundo que detecte o prediga si un producto está roto o deformado. Luego, un científico de datos podría entrenar un modelo basado en productos buenos y malos para mejorar el rendimiento.
Este tipo de datos operacionalizados se puede aplicar a varias áreas clave que agregan valor a una organización. El control de calidad, como asegurarse de que la materia prima cumpla con las especificaciones, es un ejemplo. El mantenimiento predictivo de maquinaria y el cumplimiento normativo, como en los requisitos de peso para un producto alimentario, son otros ejemplos.
Al aprovechar los datos en tiempo real sobre los productos, la calidad o los problemas regulatorios, no solo estás creando un mayor rendimiento del producto, sino también minimizando costosas tareas humanas, como las inspecciones al final de una línea de ensamblaje. Estos empleados pueden ser redirigidos a tareas de mayor valor. También estás minimizando el desperdicio y creando una experiencia del consumidor más consistente. Además, estás protegiendo el negocio al reducir los riesgos regulatorios.
Esta es una situación en la que todos ganan. Cuanto más la organización sabe qué quiere obtener de los datos, qué datos recopilar y cómo utilizarlos basándose en una estrategia empresarial, más exitosa será.
Más por venir
Este es el primero de seis episodios que hablan sobre la organización centrada en los datos. Esperamos que nos acompañes en esos futuros podcasts. ¿Quieres más? Visita el sitio web de Sarah.