Errores en la aplicación analítica de datos

“Se trata ahora de un cliente omnicanal que interactúa a través del e-commerce”.

La pandemia demostró que las organizaciones que tenían una estrategia de analítica de datos fueron más resilientes que las que no tenían implementada, porque en un ambiente de in- certidumbre, tener calidad de datos que se pueda explotar, genera decisiones más eficientes y mayores posibilidades para la sostenibilidad empresarial.

Actualmente, las empresas están tomando decisiones con data inexacta, incompleta, desactualizada, que les cuesta mucho dinero. Una buena estrategia de analítica de datos se encarga de analizar el pasado y presente, y con esa información predecir el futuro, con el fin de tomar mejores decisiones en tiempo real y carácter estratégico.

Para su aplicación debemos considerar los siguientes pasos: identificar los requerimientos de data basados en las necesidades del negocio, es decir, con qué data cuenta la organización para poder alinearse a los objetivos que se tienen, ya que, si bien muchas empresas cuentan con muchísima data, no la tienen ordenada ni modelada. Luego, es necesario elegir el proveedor y la tecnología correcta, definir un grupo de usuarios de la data y definir un road map (mapa vial) para lograr determinado objetivo. Entre los errores más frecuentes, se presentan los siguientes:

1. Cuando se busca resolver todos los problemas en un solo proyecto y no todos se tienen que desarrollar simultáneamente. Debemos identificar los requerimientos prioritarios con alcance e inversión definidos. Predecir todos los indicadores del negocio en los próximos cinco años, es un proyecto enorme y requiere de mucha información.

2. No se toma el tiempo adecuado para evaluar las herramientas que necesita la empresa. Hay muchas y no todas son adecuadas para nuestros objetivos, Tableau por ejemplo es muy usada para investigación ya que es muy ágil en combinar muchas fuentes de datos. Es recomendable que se tome el tiempo necesario para evaluar las que estén mejor alineadas con nuestros objetivos.

3. Cuando proveemos a los usuarios con muchos reportes difíciles de comprender, tenemos a un usuario confundido en un mar de reportes y dashboards, que no surgen de la auténtica necesidad del cliente por explotar su data.

4. Se refiere al momento actual en que vivimos, en la atención de clientes de manera remota y donde no se cuenta con una estrategia de analítica de datos para identificar o predecir los nuevos comportamientos. Se trata ahora de un cliente omnicanal que interactúa a través del e-commerce, es ahí, en esa data acerca de un comportamiento que no vemos, donde la analítica de datos agrega valor.