Por Sandra Pérez González
El éxito o el fracaso de una organización depende de la asertividad y velocidad en la que se hace la toma de decisiones de las distintas áreas involucradas. Sin embargo, cuando hay una reunión en la sala de juntas y se tiene que tomar una decisión difícil, pero no hay datos o un análisis de datos para determinar el mejor curso de acción, la decisión final se remitirá al juicio del HiPPO.
¿Qué significa este término? Avinash Kaushik fue el primero en mencionar “HiPPO” en su libro Web Analytics: An Hour a Day. Esta palabra hace referencia a la opinión de la persona mejor pagada en la sala, a quien se le considera experto en el negocio por su amplia experiencia, gran número de éxitos y ascensos.
Esto se da por la tendencia humana de obediencia a una figura de autoridad o el deseo de complacer a un superior; su opinión elimina aquellas que son discrepantes y en muchos casos, las más valiosas.
El efecto HiPPO, aunque en muchos casos es útil, en otros es altamente nocivo para la toma de decisiones de una organización, ya que es una opinión subjetiva. Esto quiere decir que no tiene sustento en hechos reales, por lo que sus consecuencias pueden representar un mayor riesgo para el cumplimiento de los objetivos de la organización.
Para combatir este efecto, un estudio de la Rotterdam School of Management descubrió que dar una opinión crítica a los líderes trae mayores probabilidades de éxito en un proyecto. Estas críticas deben de ser objetivas y fundamentarse en datos reales, a los cuales se puede acceder a través de un análisis de datos históricos.
A lo largo de la vida de una empresa, se generan y acumulan grandes cantidades de datos sobre su operación. Esta información suele considerarse como un activo, ya que si se analiza estratégicamente y con métodos adecuados, va a dar el input crucial que cada área de la compañía necesita para una toma de decisiones inteligente que los lleve a conseguir el éxito real del negocio.
Por esta razón, cada vez más empresas líderes en su ramo están "democratizando" el acceso a la información relevante y están realizando análisis avanzados de sus equipos a lo largo de todos los niveles de sus organizaciones. Esto se realiza con el objetivo de que todas las áreas involucradas puedan innovar, generar confianza e impulsar un cambio positivo real en sus responsabilidades diarias.
Sin embargo, a pesar de que las compañías llegan a contar con bases de datos muy nutridas y accesibles, el 41% tuvo dificultades para convertir los datos en decisiones durante el año 2020, según Forrester, quien señaló que esto ocurre porque las organizaciones impulsadas por el conocimiento requieren la capacidad de producir y analizar datos relevantes para tener un contexto y tomar las decisiones correctas en el momento adecuado.
Toma de decisiones inteligente
Para comenzar el proceso de creación de una cultura empresarial con toma de decisiones basada en datos, tu organización debe de superar las barreras para la adopción de los análisis basados en datos. Para ello, tus colaboradores tienen que situarse en la intersección de estas tres habilidades, apunta Omri Kohl, experto en business intelligence software:
1. Manejo de datos
2. Uso de las herramientas de procesamiento
3. Habilidades y conocimientos individuales (expertise en su área)
Kohl recomienda que para superar exitosamente estas barreras, que principalmente son tecnológicas y metodológicas, es necesario comprender las necesidades de los equipos de trabajo.
Luego, proporcionarles recursos tecnológicos específicos que ayuden a realizar análisis de datos que puedan traducir eficazmente los conocimientos en impacto empresarial. Así también, esta información debe de ser un soporte más útil para los líderes y su toma de decisiones.
De este modo, se busca reforzar la confianza en las capacidades analíticas de la organización, que van a generar equipos de trabajo autogestivos en todas las áreas. A través de ellos se espera consolidar la toma de decisiones inteligente durante toda la vida de su empresa.
La toma de decisiones inteligentes y autónoma de los equipos autogestivos no implica una forma de trabajo en silos, por el contrario, cada líder de equipo se convierte en un centro de datos que sus colegas pueden consultar. Y aunque cada líder tiene una versión única de cómo funciona la organización, ya que la analizan desde su área de expertise, cuando se comparten información se crea una gran red de conocimiento nuevo.
La democratización de la información anterior y del conocimiento nuevo abren más posibilidades para mejorar procesos internos. Algunos ejemplos de cómo mejoran las principales áreas de una organización cuando existe esta apertura, de acuerdo con expertos en negocios, son:
· Marketing: los profesionales del marketing pueden dejar de tomar decisiones subjetivas que se basan únicamente en el instinto. Deben de empezar a pensar estratégicamente, basándose en la información continua procedente de una amplia variedad de fuentes de datos significativas.
· Ventas: el área puede mejorar con pronósticos de ventas más precisos y bajo demanda. La optimización del uso del tiempo entre los equipos de ventas tiene un gran valor, ya que les permite centrarse en atraer a los clientes potenciales.
· Operaciones: los responsables de operaciones pueden observar los aspectos clave de los procesos empresariales a través de los datos resultantes. Pueden confiar en las decisiones para optimizar cada uno de esos procesos, con un enfoque específico, oportuno y basado en datos.
¿Cómo hacer un análisis de datos funcional para mi empresa?
Ya se han reconocido los múltiples beneficios del análisis de datos en la toma de decisiones, ahora es momento de llevarlo a la práctica, haciendo una revisión del tipo de análisis más adecuado para la situación que se desea revisar.
Si bien, existen diversos tipos de análisis, todos están relacionados entre sí y se basan en los demás. La diferencia radica en el grado de dificultad y los recursos necesarios para ejecutarlos, los cuales también van en aumento. Al mismo tiempo, el nivel de conocimiento y valor añadido también aumenta.
Patrick Gibson enlista los tipos de análisis de datos más relevantes para una empresa, en orden de complejidad ascendente:
Análisis descriptivo
Se trata de hacer una síntesis de datos pasados para explicar cómo ha evolucionado la organización, normalmente en forma de cuadros de mando.
El mayor uso del análisis descriptivo en las empresas es el seguimiento de los indicadores clave de rendimiento (KPI). Los KPI describen el rendimiento de una empresa, basándose en variables de análisis seleccionadas específicamente.
Este tipo de análisis también puede ser un informe mensual de ingresos o un resumen de clientes potenciales de ventas.
Análisis de diagnóstico
Identifica las causas de los resultados que arrojó el análisis descriptivo. Las organizaciones utilizan este tipo de análisis porque crea más conexiones entre los datos e identifica patrones de comportamiento.
Un aspecto crítico del análisis de diagnóstico es la creación de información detallada. Cuando surgen nuevos problemas, es posible que ya existan datos relativos a la cuestión. Al tener los datos disponibles, se evita repetir el trabajo y se encuentra una correlación entre los problemas, lo que abre la posibilidad de generar soluciones de raíz y a largo plazo.
Análisis predictivo
El análisis predictivo utiliza datos anteriores para hacer predicciones lógicas sobre resultados de acontecimientos futuros. Este análisis se basa en la modelización estadística, que requiere tecnología y mano de obra especializada. También es importante entender que la previsión es sólo una estimación; la precisión de las predicciones depende de la calidad y el detalle de los datos.
Este tipo de análisis es donde muchas organizaciones empiezan a mostrar signos de dificultad, ya que no disponen de los recursos humanos necesarios para aplicar el análisis predictivo en todas las áreas. Otras empresas no están dispuestas a invertir en equipos de análisis predictivo en todos los departamentos o no están preparadas para formar a los equipos actuales.
Las aplicaciones más usuales de este tipo de análisis se dan en evaluación de riesgos, previsión de ventas, uso de la segmentación de clientes para determinar qué clientes potenciales tienen más posibilidades de convertirse, entre otros.
Análisis prescriptivo
El análisis prescriptivo combina la visión de todos los análisis anteriores para determinar el curso de acción a seguir en un problema o decisión actual.
Utiliza tecnología y prácticas de datos de última generación. Consiste en un gran entramado organizativo y, por lo tanto, una gran inversión de recursos para las empresas.
La Inteligencia Artificial (IA) es un ejemplo perfecto de análisis prescriptivo. Los sistemas de IA consumen una gran cantidad de datos para aprender continuamente y utilizar esta información para tomar decisiones informadas.
Los sistemas de IA bien diseñados son capaces de comunicar estas decisiones e incluso ponerlas en práctica para optimizar los procesos empresariales diariamente.
Sin duda, si una empresa quiere continuar en el mercado en la siguiente década, tendrá que implementar una cultura que consolide organizaciones inteligentes. El primer paso es dar ese salto hacia la toma de decisiones inteligentes a través del empoderamiento de su capital humano, de las herramientas tecnológicas que les provean y de la confianza que deposite en las decisiones de los equipos de trabajo –ahora autogestivos–, basadas en el análisis de datos.
