C3. Lect 1. Achieving-business-impact-with-data_FINAL

[felipedonoso]

Yo: Estudiante

Quiero: Hacer resumen

Para: Control 3

https://app.zenhub.com/files/416752335/e9d3229a-b683-4b81-9364-666ebb4b7c48/download

[felipedonoso]

Conseguir impacto empresarial con datos

Una perspectiva integral de la cadena de valor de los conocimientos Nunca ha habido un mejor momento para lograr un impacto con (sus) datos. Cada vez hay más datos disponibles, la potencia de cálculo es cada vez mayor y las técnicas matemáticas y las llamadas la ciencia de datos se está volviendo cada vez más avanzada. Es más, "digital" y "datos" se han convertido en la comidilla de la ciudad. Sin embargo, aunque hablar de datos como el "nuevo petróleo" o el "nuevo oro" está bastante extendido en estos días, varias dificultades relacionadas con la tecnología y los negocios hacen que comprender la importancia de los datos y darse cuenta de su potencial sea un desafío persistente. Con este telón de fondo, en este artículo 1) delineamos el alcance de la creciente importancia y el potencial de impacto de los datos, 2) describimos los fundamentos de la cadena de valor de insights procesos posteriores, y 3) introducir perspectivas prácticas clave sobre la creación de valor basado en conocimientos y generar un impacto con él.

1. La importancia cada vez mayor de los datos en la creación de valor No solo el gran volumen de datos disponibles, impulsado principalmente por IoT, ha crecido exponencialmente en los últimos cinco años y se espera que continúe haciéndolo (Anexo 1), sino que también se han desarrollado nuevas herramientas para convertir esta avalancha de datos sin procesar. en conocimientos y eventualmente en acción. El aprendizaje automático, un término que abarca una variedad de enfoques algorítmicos desde métodos estadísticos como regresiones a redes neuronales, ha avanzado rápidamente a la vanguardia de la analítica. La base de este progreso en su totalidad ha sido la mejora constante en la potencia computacional de mejores procesadores y unidades de procesamiento de gráficos, una mayor inversión en clústeres de computación masivos a los que a menudo se accede como servicios en la nube, mejoras en el almacenamiento y fuertes disminuciones de precios para todas las partes relevantes (Figura 1).

Cada una de estas tendencias (más datos, más herramientas para analizar los datos y un aumento en la potencia de fuego necesaria para hacerlo) constituye un avance por derecho propio. Juntos, estos desarrollos se refuerzan entre sí, y el campo más amplio de Big Data y Advanced Analytics está logrando rápidos avances a medida que convergen. Los grandes aumentos en la cantidad y complejidad de los datos requieren una mayor infraestructura y potencia computacional para analizarlos y acceder a ellos. Tanto los datos como la potencia computacional permiten métodos de aprendizaje automático de próxima generación, como el aprendizaje profundo. La confluencia de datos, almacenamiento, algoritmos y potencia computacional en la actualidad ha preparado el escenario para una ola de disrupción creativa.

Sin embargo, los datos no solo han aumentado en volumen; también ha ganado una enorme riqueza y diversidad. Hemos entrado en una nueva era en la que el mundo físico se ha conectado cada vez más al mundo digital. Los datos son generados por todo, desde cámaras y sensores de tráfico hasta monitores de frecuencia cardíaca, lo que permite una mejor comprensión del comportamiento humano y de las "cosas". Como consecuencia, los datos se han convertido en la nueva clase de activos corporativos, y la mejor manera para que las empresas generen y accedan es digitalizar todo lo que hacen. La digitalización de las interacciones con los clientes proporciona una gran cantidad de información para marketing, ventas y desarrollo de productos, mientras que la digitalización de los procesos internos genera datos que se pueden utilizar para optimizar las operaciones y mejorar la productividad.

2. Una mirada "enlace por enlace" a la cadena de valor de los conocimientos

Los datos en su forma cruda y más básica son virtualmente inútiles hasta que les demos voz al obtener información valiosa de ellos. Pero, ¿cómo hacemos que los datos hablen? Hoy todo el mundo habla de Big Data y Análisis Avanzado e incluso de aprendizaje automático e inteligencia artificial (IA). La tendencia que observamos es que las personas están tan entusiasmadas con la nueva tecnología que se centran demasiado en componentes técnicos individuales de la "cadena de valor de los conocimientos", como la llamamos. Dar este paso un paso más ilustra la importancia de una serie de componentes para capturar el valor total (o cualquier valor) de los datos relevantes (inteligentes) (Anexo 2).

[felipedonoso]

La captura de valor de los datos requiere excelencia en cada elemento de cada enlace del "Cadena de valor de conocimientos"

Ya podemos decir que la cadena de valor de los conocimientos es multiplicativa, lo que significa que si un solo eslabón de esa cadena es cero, su impacto será cero. En otras palabras: todo el ecosistema de datos es tan bueno como su componente más débil. Esto ilustra la importancia crítica de comprender y trabajar en todos los componentes y pasos de la cadena de valor de los conocimientos, sin centrarse en una sola pieza y olvidarse de las demás.

En este capítulo, además de explicar brevemente la función de cada uno de los componentes centrales de la cadena de valor del conocimiento (ver Cuadro de texto 1), arrojamos luz sobre sus pasos y procesos tanto ascendentes como descendentes.

[felipedonoso]

Cuadro de texto 1: La cadena de valor de los conocimientos: definiciones y consideraciones

En primer lugar, la cadena de valor del conocimiento consta de los componentes técnicos de datos, análisis (algoritmos y talento técnico) y TI. En la práctica, esto significa que el valor es posible cuando los científicos de datos utilizan algoritmos inteligentes para extraer información significativa de datos de alta calidad.

En el mundo actual de Big Data, también necesita un entorno de TI capaz de procesar grandes cantidades de datos rápidamente.

En segundo lugar, la cadena de valor de los conocimientos consiste en los componentes comerciales de las personas (talento no técnico) y los procesos, los cuales son necesarios para convertir los conocimientos extraídos de los datos en acciones (comerciales).

A continuación, se presentan algunas consideraciones clave sobre los componentes de la cadena de valor de los conocimientos:

Los datos deben considerarse como el proceso completo de recopilar, vincular, limpiar, enriquecer y aumentar la información interna (potencialmente con fuentes de datos externas adicionales). Además, la seguridad y privacidad (por ejemplo, GDPR) de los datos en todo el El proceso es fundamental.

Analytics describe el conjunto de metodologías digitales (p. ej., software) implementadas para extraer conocimientos de los datos, así como el talento (p. ej., ingenieros de datos y científicos de datos) capaces de desarrollar y aplicar estos métodos.

TI es la capa técnica que permite el almacenamiento y procesamiento de datos, por ejemplo, lagos de datos, arquitectura de TI de dos velocidades.

Se necesitan personas desde la primera línea de ventas hasta lo más profundo del negocio, no solo "geeks", para ejecutar una operación de análisis que convierta los datos en conocimientos e implemente con éxito esos conocimientos en el negocio. La capacidad crucial en el mundo actual de Big Data es poder "traducir" los conocimientos basados ​​en datos y análisis en implicaciones y acciones comerciales.

Se debe evaluar la capacidad de los procesos para cumplir a escala. Es posible que algunos procesos antiguos deban adaptarse, algunos pueden necesitar estar completamente automatizados y otros pueden necesitar ser hecho más ágil.

Además, existe un marco general y una gobernanza subyacente en la que opera la cadena de valor de los conocimientos: ƒ La estrategia y la visión son el marco general en el que debe operar la cadena de valor de los conocimientos. El análisis de datos no debe "realizarse" por el bien del análisis de datos, sino en cumplimiento de la visión de la organización y en apoyo de su estrategia comercial general. "Piense en los negocios al revés, no en los datos hacia adelante". ƒ El modelo operativo es la gobernanza subyacente en la que vive la cadena de valor de los conocimientos. Los asuntos centrales que deben abordarse incluyen decidir dónde se ubicará la unidad de análisis dentro de la organización y cómo funcionará e interactuará con las unidades de negocio (por ejemplo, centralizada, descentralizada, híbrida).

[felipedonoso]

A. Generación y recopilación de datos relevantes Al observar lo que están haciendo las empresas en el campo de la analítica, observamos dos tendencias. Primero, los algoritmos parecen estar mercantilizándose; Google y Amazon, por ejemplo, brindan acceso gratuito a sus bibliotecas de análisis. En segundo lugar, estas empresas se aferran estrictamente a los datos en sí y no otorgan acceso a personas externas, ya que su apuesta es que el valor está todo en los datos.

por ejemplo, empresas conjuntas entre empresas de telecomunicaciones y minoristas, se están creando para permitir la recopilación de datos a una escala cada vez mayor. Esta capacidad mejorada de captura de datos no solo es relevante en entornos B2C. También se está volviendo crítico en B2B, ya que IoT con sus sensores en todas partes llevará la cantidad de datos que se generan a nuevas dimensiones.

A medida que la generación y recopilación de datos crezca en volumen, dado, por ejemplo, el aumento masivo del comercio electrónico y los datos generados por sensores, la relevancia de los datos se volverá aún más importante. Es simplemente poco práctico (y quizás imposible) recopilar y guardar cada bit de los tera y petabytes de datos que se generarán cada segundo. Definir ciertos requisitos basados ​​en casos de uso particulares ayudará a garantizar que solo se capturen los datos relevantes. Los datos los requisitos para algunos casos de uso serán muy concretos, mientras que los requisitos para otros serán difusos. Algunos casos de uso requerirán series de datos importantes en el tiempo (a veces para compensar la falta de calidad de los datos). Otros casos de uso dependen de la puntualidad y "actualidad" de los datos, por ejemplo, cuando se analizan datos de redes sociales que se ven afectados por cambios frecuentes en las tendencias. Como los datos pueden volverse "obsoletos" rápidamente, estos casos de uso pueden requerir que solo se necesiten almacenar datos relativamente recientes. La situación requiere un enfoque reflexivo sobre qué datos almacenar en su granularidad original y cuáles agregar o preanalizar. En el caso de la relevancia, cuanto más El enfoque clásico "basado en hipótesis" o "caso de uso al revés" a menudo ofrece mejores resultados que el enfoque a menudo elogiado de "Big Data, fuerza bruta".

Otro aspecto importante de la generación y recopilación de datos es la superposición de datos. En lugar de "arrojar" todos los datos no conectados a la capa de análisis de una sola vez, organizarlos cuidadosamente en varias capas lógicas y luego emplear una lógica mediante la cual apilar estas capas puede ayudar generar datos más significativos.

B. El refinamiento de datos es una iteración de dos pasos Una vez que la organización ha capturado con éxito todos los datos brutos relevantes, debe comenzar el proceso de convertir grandes cantidades de datos brutos sin refinar en conocimientos procesables. El proceso de dos pasos se compone de enriquecimiento y extracción.

Paso 1: enriquecimiento de los datos con información adicional y / o conocimiento del dominio. Una vez que se recopilan, limpian y combinan los datos sin procesar, comienza uno de los pasos de refinamiento más importantes:

los datos deben transformarse y enriquecerse con conocimientos adicionales y de dominio, que es un proceso algo más complejo. Todo esto significa, sin embargo, que la experiencia humana es tan importante para hacer que los datos sean útiles, como lo es el poder de la analítica y los algoritmos.

Nuestra experiencia ha demostrado varias veces que, en el mundo actual, "hombre + máquina" sigue siendo el enfoque óptimo para el enriquecimiento de datos (consulte el cuadro de texto 2), aunque esto puede cambiar algún día debido a nuevos desarrollos en el espacio de la IA. Entonces, incluso antes de comenzar con el aprendizaje automático, debemos involucrar a expertos humanos que utilicen su experiencia para explicar sus hipótesis. La tarea de un científico de datos (o algunas veces un ingeniero de datos en esta etapa) ahora es traducir, es decir, codificar, información adicional y / o este conocimiento de dominio en variables (Anexo 4). Concretamente, esto significa transformar los datos existentes en nuevas variables, a menudo también llamado ingeniería de características.

[felipedonoso]

Cuadro de texto 2: "Hombre + máquina = información útil"

Cuando se utiliza la experiencia en el dominio de los científicos de datos y el conocimiento empresarial para enriquecer los datos recopilados por las máquinas, se pueden tomar acciones muy específicas para mejorar el rendimiento. El conocimiento adicional y la experiencia humana de este paso de enriquecimiento es lo que permite la creación de proporciones de variables, tendencias o derivados (por ejemplo, cambios en el comportamiento del cliente) y categorías a partir de variables numéricas (por ejemplo, ingresos bajos, medios, altos en lugar de los reales número) que luego permiten una acción poderosa. Ejemplo 1 de hombre + máquina: rotación de clientes en la banca. En lugar de tener 12 variables, cada una de las cuales describe el saldo de cuenta promedio de uno de los 12 meses anteriores, un científico de datos crearía una nueva variable que muestra la tendencia de los saldos promedio. los La hipótesis empresarial subyacente en este caso sería que la rotación en la banca ocurre lentamente, y los clientes que retiren activos con el tiempo deben activar una alerta temprana. Ejemplo 2 hombre + máquina: mantenimiento predictivo en telecomunicaciones. El conocimiento profundo en el campo de la ciencia de datos es importante para el desarrollo de la metodología correcta y para ajustar los modelos de una manera que prediga mejor las fallas de las máquinas / componentes en las telecomunicaciones. Además, el conocimiento empresarial puede optimizar aún más estos modelos al proporcionar ideas adicionales para los impulsores de fallas que se pueden utilizar en el modelo predictivo para mejorar aún más el poder predictivo. El conocimiento empresarial también puede ayudar a interpretar los resultados y derivar soluciones concretas basadas en el negocio para prevenir fallas en el futuro. Por último, el conocimiento empresarial es fundamental para implementar las recomendaciones, de modo que los procesos puedan ser adecuadamente alineados, por ejemplo, capacitando a los agentes del centro de llamadas utilizando los resultados del modelo de mantenimiento predictivo en su trabajo diario.

Ejemplo 3 hombre + máquina: mantenimiento predictivo de turbinas. Un enfoque de mantenimiento predictivo para turbinas utilizaría un modelo matemático muy similar al utilizado en el ejemplo de telecomunicaciones anterior. Sin embargo, el conocimiento del dominio de la ingeniería específico para las turbinas marcarán una gran diferencia, ya que las causas fundamentales de las fallas de las turbinas son completamente diferentes de las que están detrás de las fallas de las telecomunicaciones. Además, el enfoque para cambiar los negocios Los procesos en turbinas para, por ejemplo, optimizar el mantenimiento, serán completamente diferentes de cualquier transformación de procesos relacionada con el mantenimiento en B2C.

[felipedonoso]

2.2 Desde valiosos resultados de análisis de datos hasta lograr un impacto comercial: las actividades posteriores La parte posterior de la cadena de valor de los conocimientos se compone de componentes no técnicos. Incluye personas, procesos y comprensión empresarial que, a través de un enfoque sistemático, pueden poner en práctica estos nuevos conocimientos basados en datos a través de una estrategia general y un modelo operativo (Anexo 5).

C. Convertir los conocimientos en acción Una vez que hemos extraído información importante de los modelos, comienza el siguiente paso crucial: convertir estos conocimientos en acción para generar un impacto empresarial. Un modelo de abandono, por ejemplo, normalmente predice el abandono, pero no lo previene. También está claro que el conocimiento del dominio y La comprensión empresarial juega un papel importante para poder actuar sobre la base de los conocimientos. Siguiendo con el mismo ejemplo, un profundo conocimiento del cliente y del sector es fundamental a la capacidad de una empresa para evitar que un cliente se agite. De manera similar, un modelo de mantenimiento predictivo le advierte sobre cuándo una máquina o algún activo podría averiarse, pero aún así se requiere mantenimiento. Al igual que con el abandono, el simple hecho de conocer la probabilidad de una avería no es suficiente; la prevención, no la predicción, es la clave del impacto empresarial. Por lo tanto, convertir los conocimientos en acción requiere dos cosas: primero, el conocimiento del dominio es fundamental en este caso.

Porque aunque las matemáticas del mantenimiento predictivo para bombas en plataformas petrolíferas pueden ser similares a las de las redes en telecomunicaciones, las acciones que se deben tomar después serán muy diferentes. En segundo lugar, incluso una vez que esté claro qué acción se debe tomar, el éxito puede depender de cómo se tome esa acción.

Esto significa que una mirada a los procesos y estructuras será clave. Por ejemplo, en el lado de la estructura, los centros de llamadas podrían reorganizarse y podrían implementarse mesas de ahorro para respaldar la acción de contratar agentes especializados para la retención de clientes.

Más allá de esta estructura organizacional, será necesario desarrollar esquemas de incentivos para fomentar el éxito de estos agentes específicos, ya que las tasas de retención y no los tiempos promedio de manejo se encuentran entre sus medidas de éxito. En el lado del proceso, la automatización podría introducirse en actividades como la toma de decisiones de precios en plataformas en línea.

[felipedonoso]

D. Impulsar la adopción Cuando se habla de datos y análisis, un error común es concentrarse demasiado en el nuevo talento técnico requerido. Si bien este es un recurso de importancia crucial y muy escaso en el mercado, el verdadero cambio tiene que ocurrir con sus empleados "regulares", la mayoría de la fuerza laboral para quienes "todos los datos" no son ni su experiencia ni su enfoque.

Estos empleados necesitan aumentar su coeficiente de análisis (AQ) y volverse más competentes en DataAnalytics si los conocimientos basados ​​en datos se van a implementar en la empresa y generar un valor real. Con este fin, hemos ofrecido a algunos de nuestros clientes la oportunidad de participar en academias de análisis que se centran en las habilidades de traductor para empleados para quienes la ciencia de datos no ha sido fundamental para sus descripciones de trabajo en asuntos técnicos relevantes. Estas “capacitaciones de traductores” como la capacidad de traducir entre el mundo técnico y el empresarial son cada vez más importantes. Los negocios estarán habilitados para enmarcar desafíos y definir análisis analíticos.

tareas para la gente de tecnología, así como desafiar, interpretar e implementar los resultados. Los empleados de marketing, retención y mantenimiento (entre otros) deben comprender qué preguntas se les puede solicitar datos y análisis, y deben poder traducir las respuestas, es decir, convertir los conocimientos en acciones que puedan tomar en sus actividades laborales diarias.

E. Dominar las tareas relacionadas con la tecnología y la infraestructura, así como con la organización y la gobernanza

La tecnología, la infraestructura, la organización y el gobierno son los habilitadores que ayudan a las organizaciones a tomar medidas sobre la información de Advanced Analytics y generar impacto. Una organización necesita el conjunto adecuado de herramientas fáciles de usar, por ejemplo, paneles de control o recomendaciones.

Motores: para permitir que el personal extraiga los conocimientos relevantes y un entorno de trabajo que facilite la integración de esos conocimientos, por ejemplo, la gobernanza que permite y gestiona el cambio necesario dentro de la organización.

Una pregunta de diseño que se hace a menudo es qué tan cerca deben estar vinculados los nuevos departamentos de ciencia de datos con las unidades de negocio. La respuesta clara es "lo más cerca posible del estado objetivo". A menudo, sin embargo, incubar esta nueva habilidad en la forma de un centro de excelencia (CoE) centralizado y agrupado es la mejor manera de comenzar. Luego, con el tiempo, las habilidades y las personas pueden pasar gradualmente a las unidades de negocio.

El CoE seguiría existiendo, pero su función se convertiría más en un centro de innovación responsable de la contratación y la formación continua. Las BU, con el tiempo, aumentarán sus AQ mediante la capacitación los empleados "regulares". Además, los usuarios intensivos de datos incluso contratarán científicos de datos más especializados para complementar el conjunto de habilidades de los generalistas que ya forman parte del personal del CoE.

3. Perspectivas prácticas clave sobre la creación de valor basado en conocimientos y la captura de impacto con él Ahora que hemos explorado el entorno en el que los datos están ganando importancia (contexto) y analizamos de cerca los pasos que comprenden los procesos ascendentes y descendentes de los conocimientos cadena de valor (marco), veamos cómo se puede crear valor basado en conocimientos concretos y cómo se puede capturar el impacto empresarial con él (práctica).

Por lo tanto, comenzamos este capítulo con una descripción general de los modelos de creación de valor basados ​​en conocimientos y su impacto, incluidas inmersiones profundas en dos casos de uso del mundo real de estos modelos en industrias orientadas al consumidor. Luego miramos lo que todavía tiende a interponerse entre las organizaciones y la implementación exitosa de estos modelos. Por último, ofrecemos un conjunto de principios rectores, así como una serie de acciones estratégicas para ayudar a las organizaciones a abordar los desafíos estructurales y poner la pelota en marcha en su camino hacia la captura (y luego escalar) el valor de los conocimientos basados ​​en datos.

industrias orientadas al consumidor. Luego, analizamos lo que todavía tiende a interponerse entre las organizaciones y la implementación exitosa de estos modelos. Finalmente, ofrecemos un conjunto de principios rectores, así como una serie de acciones estratégicas para ayudar a las organizaciones a abordar desafíos y poner la pelota en marcha en sus viajes hacia la captura (y luego escalar) el valor de los conocimientos basados en datos.

3.1 Descripción general de casos de uso típicos y su potencial de impacto Los modelos de creación de valor basados ​​en conocimientos en los espacios en evolución del mundo conectado se pueden agrupar en una de las tres categorías generales y se pueden explorar individualmente o en combinación: ƒ Los casos de uso de primera línea suelen ayudar a las empresas a mejorar las actividades de cara al cliente. Estos casos de uso pueden mejorar las actividades en las áreas de precios, prevención de pérdidas, ventas cruzadas y adicionales y optimización de promociones para impulsar el crecimiento. ƒ Los casos de uso de fondo emplean conocimientos basados ​​en datos para optimizar los procesos internos. El mantenimiento predictivo, la optimización de la cadena de suministro y la prevención del fraude se encuentran entre los procesos que se pueden mejorar con el beneficio de los datos.

Estos casos de uso son cada vez más relevantes debido al creciente número de aplicaciones de IoT y la colección de cantidades masivas de datos que se pueden utilizar para mejorar los procesos comerciales. ƒ Nuevos modelos comerciales es la categoría de casos de uso habilitados para datos que va más allá de los procesos y aporta valor al expandir la cartera de ofertas de una empresa. Esto puede incluir el caso bastante raro de venta directa de los datos en sí, venta de información obtenida de los datos, oferta de nuevos productos o entrega de análisis como servicio.

En todas las categorías, hay diferentes palancas para participar, y el impacto potencial que uno podría observar al implementar estos casos de uso es amplio (consulte el Anexo 6 ​​para obtener algunos números de referencia, así como el cuadro de texto 3).

[felipedonoso]

Cuadro de texto 3: Análisis en profundidad de la aplicación y el impacto de dos casos de uso de primera línea "Prevención de abandono" en empresas basadas en contratos En los bancos y otras empresas basadas en contratos, como las telecomunicaciones o los servicios públicos, es importante evitar la rotación, ya que una base de clientes sólida y leal es esencial para tener éxito en este modelo de negocio. El aprendizaje automático puede admitir métodos de predicción de abandono sofisticados y sorprendentemente precisos; sin embargo, la tarea empresarial más valiosa no es predecir la deserción, sino prevenirla.

En casos recientes en los que hemos implementado la prevención de abandonos, el impacto ha sido una disminución del 10% en el abandono, lo que equivale al 1% o 2% del valor anual del cliente. La prevención exitosa de la deserción también tiene un impacto más amplio en los procesos internos y las estructuras organizacionales. Cuando los modelos de abandono identifican puntos débiles particulares, las empresas tienen la oportunidad de optimizar el recorrido de sus clientes en consecuencia y abordar los problemas mucho antes de que generen un mayor riesgo de abandono.

Específicamente, se han implementado activadores para reaccionar rápidamente a eventos que se sabe que impulsan la rotación, como fallas de red en telecomunicaciones, facturación errores en los servicios públicos o quejas de los clientes en general. En ocasiones, las estructuras organizativas se reconstruyen para organizar los equipos de marketing de forma diferente.

Por ejemplo, en lugar de tradicionalmente dividido por canal, los equipos pueden estar organizados por segmento y palanca de clientes, por ejemplo, un equipo de retención de clientes de alto valor y un centro de llamadas "guardar escritorios".

Personalización a escala en industrias orientadas al consumidor La venta cruzada es otro caso de uso de cara al cliente que todos conocemos de los motores de recomendación de comercio electrónico, como la famosa función "Las personas que compran A también compran B" de Amazon.

Más allá del comercio electrónico, este caso de uso es crucial en otras industrias como la banca, el comercio minorista y las telecomunicaciones. La cuestión empresarial que nos ocupa es cómo aumentar el valor de los clientes existentes a lo largo del tiempo. La respuesta a esto va más allá de la venta cruzada y las campañas clásicas:

personalización a escala. Implica múltiples canales a través de múltiples puntos de contacto con el cliente durante todo el viaje. Todas las actividades de venta cruzada y de venta adicional deben basarse en un conocimiento profundo del cliente para poder ofrecer contenido personalizado en el momento adecuado.

En casos recientes en los que implementamos la personalización a gran escala, el impacto ha sido un aumento de más del 100% en las tasas de conversión de la campaña, lo que equivale al 2 al 5% del valor anual del cliente. Nuevamente, se logró un impacto importante en términos de cambios en las estructuras y procesos organizacionales, así como en la cultura organizacional en torno a la acción y la innovación.

Específicamente, cultivar una mentalidad de “fallar rápido” y “probar y aprender” que se basa en una nueva forma ágil de trabajar fomenta el desarrollo de esfuerzos exitosos de personalización del cliente y respalda su mejora continua. Se rompieron las estructuras organizativas tradicionales y se crearon equipos ágiles multifuncionales. Estos equipos se organizaron nuevamente en torno a los clientes, por ejemplo, segmentos o puntos de contacto.

El modo de trabajo se ha cambiado por completo de la planificación de campañas de empuje trimestrales a reuniones semanales para planificar el próximo sprint de aprendizaje.

[felipedonoso]

3.2 Principales desafíos para capturar el valor de los conocimientos basados ​​en datos para las organizaciones actuales Si el valor de la analítica de datos es tan sustancial y claro, ¿por qué no todo el mundo ya lo está? monetizar y lograr impacto con él? Una observación clara en el mercado es que, si bien las empresas están madurando cada vez más en las partes técnicas de la cadena de valor, la mayoría de ellos todavía están muy rezagados en lo que respecta a las partes "estructurales", como, por ejemplo, conseguir el enlace o la "traducción" entre el mundo técnico y el empresarial, o gestionar el cambio cultural de la toma de decisiones basada en instintos hacia procesos de decisión impulsados ​​por datos. Sin embargo, al final del día, la parte técnica es siempre la más fácil de resolver. Dadas estas realidades, vemos por encima de los tres desafíos estructurales que impiden que nuestros clientes logren el máximo impacto comercial a partir de los datos: ƒ La separación de datos y negocios. En muchas empresas, la ciencia de datos y la ejecución empresarial están totalmente separadas. Esto conduce a una falta de comprensión por parte del negocio de lo que es posible y al desarrollo de "soluciones" de ciencia de datos que el negocio en realidad no lo necesita.

ƒ La brecha entre conocimiento e impacto. En muchos casos, el paso crucial de pasar “de la percepción a la creación de valor basada en la percepción” nunca se da de manera completa y adecuada. A menudo, nuestros clientes ya creen en la importancia de la analítica e incluso han realizado una omás pruebas de conceptos (PoC). Sin embargo, estas PoC a menudo están aisladas entre sí y casi nunca se convierten en casos de uso exitosos, y mucho menos escalados.

ƒ No hay un anclaje adecuado de la competencia de Data Analytics a un alto nivel corporativo. El impacto empresarial de los conocimientos derivados de los datos solo se produce cuando el análisis de datos se implementa de forma profunda y coherente en toda la organización. Esto requiere el compromiso y la dirección de un líder con la autoridad para impulsar este tipo de transformación orientada al conocimiento, y muchas empresas aún tienen que ver ese nivel de compromiso organizacional.

[felipedonoso]

Ciertamente, no existe un enfoque único y estandarizado para superar estas barreras en una organización. Empresas que buscan principios rectores y recomendaciones de acciones estratégicas, ya que pretenden (re) construir un entorno organizacional que facilite la Sin embargo, el uso efectivo de los datos puede comenzar en el siguiente capítulo. 3.3 Mejores prácticas para implementar y escalar el análisis de datos Nuestras observaciones de las empresas basadas en datos más exitosas revelan creencias claras y enfoques efectivos que las empresas aspirantes podrían adoptar. Cinco principios rectores ƒAnalytics no es una herramienta sino un nuevo lenguaje. Actuar sobre los resultados analíticos requiere que las empresas comprendan las implicaciones de esos resultados. ƒ Los traductores son cruciales. Concéntrese en contratar y capacitar talentos para que sirvan como interfaz entre el análisis de datos y el negocio. ƒ La gestión del cambio es fundamental. Los usuarios comerciales deben confiar en los resultados de los análisis y deben estar habilitados para actuar en función de ellos.

No se puede detener ni permitir que se estanque. Es posible que inicialmente deba "pasar por alto" la TI corporativa para comenzar rápidamente y probar el concepto temprano, pero en última instancia, deberá involucrar a la TI de manera oportuna y en gran medida para poder escalar. ƒ La agilidad se debe vivir y respirar. Un "riesgo de fallar en pequeño, de ganar en grande", un enfoque de prueba y aprendizaje y una "mentalidad experimental" deben tejerse en el tejido organizacional. Los equipos multifuncionales son esenciales para mantener el ritmo de los ciclos rápidos de prueba y aprendizaje. Cinco acciones estratégicas a medio y largo plazo ƒ Trabaje "al revés del negocio", no al "avance de los datos": primero identifique los casos de uso del negocio cree y luego piensa en los modelos y datos que necesita para ponerlos en funcionamiento, no al revés. ƒ Enfocar y priorizar los 3 casos de uso principales que son los más fáciles o rápidos de implementar o los que generan un impacto comercial significativo. ƒ Construya rápida y pragmáticamente la TI básica de una manera ágil, es decir, "construya el avión mientras lo vuelas ”. ƒ Contrate a algunos científicos de datos y conéctelos con equipos comerciales para probar rápidamente el concepto. ƒ Prepárese para la escala: cree una unidad central de análisis y configure un análisis academia para impulsar el AQ de la empresa en general (“contratar a 50 científicos de datos y capacitar 5.000 traductores ”).

[felipedonoso]

El valor de los datos es su potencial para generar conocimientos que conduzcan a mejores negocios. Retrocediendo de los pasos del proceso descritos anteriormente, un par de principios de nivel macro pueden ayudar a las empresas a convertir grandes cantidades de datos en casos de uso basados ​​en conocimientos que mejoran el rendimiento. En primer lugar, las empresas pueden desarrollar aún más los casos de uso que se les han ocurrido identificando formas de recopilar aún más datos. Esto podría tomar la forma de, por ejemplo, instalar sensores adicionales, identificar otras fuentes de datos externas o incentivar a los clientes para que proporcionen más datos. También podrían sacar más provecho de los datos existentes haciendo una mayor inversión en ingeniería de funciones, es decir, creando variables inteligentes basadas en conocimientos comerciales y conocimiento y aprovechamiento del dominio. TI más rápida y mejores algoritmos.

Además de aprovechar más los datos, las organizaciones deben comprometerse a avanzar de manera estratégica y audaz en la implementación de casos de uso. Esto significa que la implementación no solo debe centrarse en el impacto, sino que no debe limitarse a un solo caso de uso. Implementar múltiples casos de uso simultáneamente y orquestarlos para lograr un impacto a escala requiere una tecnología completamente habilitada transformación del negocio. Lograr los fundamentos técnicos correctos es una tarea, generalmente la más fácil. Lo que probablemente sea el mayor desafío es alinear la organización con el objetivo de Implementar con éxito nuevos casos de uso basados ​​en conocimientos. Permitir a una organización administrar casos de uso en silos organizacionales, automatizar procesos y enseñar a casi todos los empleados Los conceptos básicos de los datos y el análisis a menudo requieren un cambio complejo pero necesario de la estructura y la cultura organizativa.