Enterprise Data Analytics Maturity Model: ¿Cuál adoptar?

La estrategia es la respuesta a la escasez. Si hubiese recursos ilimitados las organizaciones no necesitarían una estrategia. Siempre hay más clientes de los que podemos visitar, más conocimiento del que podemos aprender, más tareas de las que podemos hacer y por ello existen marcos de pensamiento que facilitan la priorización y asignación de recursos.

En el "mercado analítico" se han producido gran variedad de "modelos" que segmentan a las empresas según el grado de adopción de talento, procesos, tecnologías o metodologías para producir activos analíticos. Este pull de "modelos de madurez analítica" pueden ser una herramienta poderosa para la planeación estratégica de áreas de BI (Business Intelligence) y BA (Business Analytics).

En este blog reflexionamos sobre la pertinencia, fines ocultos y valor agregado de usar uno de estos modelos en procesos de planificación analítica de las organizaciones.

¿Quién desarrolla estos modelos y para qué?

 

Una postura cínica diría que: dependiendo de quien haya construido el modelo:

  • Desarrolladores de software: Sus modelos buscan entender las brechas tecnológicas con el fin de vender su aplicación o software de análisis de datos (SAS, IBM)

  • ConsultorasBuscan mostrar gaps entre el modelo de administración "real" y el "ideal", este ejercicio suele promover una visión de "roadmap" que reduce la ansiedad del lector al ofrecer pasos organizados en donde hitos ocurren bajo la promesa de llegar a un "nirvana" analítico donde la organización se aprovecha al máximo de los datos disponibles para tomar decisiones.

Nuestro estudio sobre madurez analítica hecho con empresas en Colombia y México, nos enseñó que un modelo de madurez analítica, debería cerrar las 6 brechas o frustraciones que las organizaciones tienen con los modelos de operación analítica que han implementado. Estas brechas son:

  • Analítica con sentido: Cerca del 31% de las organizaciones creen que la analítica que desarrollan sus equipos es demasiado básica, el 45% creen que es demasiado compleja y para en 62% de los consultados los productos analíticos no se asocian a un resultado tangible o meta de la organización.

  • Impostores de los datos: Para el 48% de las organizaciones la rotación de personal en temas de data, analítica y desarrollo es un reto para el 2023. En promedio los cargos junior duran en sus empleos unos 7,5 meses y los cargos ejecutivos pueden rotar en 1 año. En estos tiempos, ninguna organización madura una estrategia, tarea o proyecto analítico potente, sin embargo, las organizaciones contratan, elevan salarios, prestaciones y beneficios a "cualquier" persona que autoreporte dedicarse a la analítica solo porque el costo imaginario de no tener un "científico de datos" es muy alto.

    Lo anterior conduce a una enorme pregunta: ¿Cuanta gente se necesita para hacer un análisis?: Las infografias de moda relatan varios roles: El Ingeniero de datos, el científico de datos, el analista de datos, el visualizador de datos y el experto de negocio. a simple vista son muchas personas para sacar un pie chart, lo que genera la pregunta: ¿Cual es la infraestructura idónea? ¿Cuál es el mapa de competencias para seleccionar talento auténtico, no impostor en análisis de datos?

  • Proceso: Cerca del 35% de las empresas no cuenta con un proceso que facilite el diálogo entre los científicos de datos y las áreas usuarias de negocio. Para un 47% existe un proceso que es largo, engorroso o potencialmente burocrático y los usuarios de negocio desisten de hacer solicitudes porque perciben que los equipos analíticos no saben entrevistar y detectar necesidades y porque el proceso es tan largo que perciben que agregan más valor en otras tareas que llenando formatos o asistiendo a talleres interminables para detectar puntos de dolor.

  • Evolución tecnológica: El 43% de los consultados reportaron tener dudas sobre la funcionalidad analítica de la arquitectura tecnológica que tienen en las organizaciones. El 28% no cuenta con un diagrama de infraestructura tecnológica, el 67% no conoce el volúmen de los datos que el negocio produce y el impacto que esto tiene en los tiempos de computo. El 51% considera que haberse pasado a la nube elevó de forma significativa los costos de tecnología y recursos humanos. 

  • Inversión: Dada la rotación de personal, el 45% de los consultados heredaron decisiones, arquitecturas, software y organigramas de áreas de BI y BA diseñados por antiguos colegas por lo que no sienten confianza en que las inversiones históricas representen las tendencias, mejores prácticas o ambiciones futuras. El 65% de los consultados reporta sentir ansiedad porque observa en redes sociales como LinkedIn que todos los días aparece un nuevo software, aplicativo, modelo, algoritmo etc., y la velocidad con la que aparecen estas novedades supera la capacidad humana de los científicos de datos para mantenerse al corriente.

  • Cultura Data Driven: Cerca del 76% de los consultados consideran que la analítica es un área de la organización y no una disciplina corporativa. Muchos tomadores de decisión quieren el "dato coctelero" para satisfacer a sus juntas pero pocos se involucran con el dato, pocos entienden su origen y operación hasta producir el resultado que tienen en las manos. Existen pocos comités o espacios centrados en entender las cifras del negocio y solo en un 12% reportó tener alto nivel de parametrización en donde ciertos disparadores de los datos se conecten con actuaciones propias del negocio.

¿Qué ventajas tiene diagnósticar nuestra estrategia analítica con un modelo de madurez?

 

  Ventaja Desventaja
Benchmark: conocer nuestra posición relativa vs la competencia para saber si nuestra estrategia es comparativa o competitiva.
  • Permite optimizar recursos entendiendo como las empresas en general distribuyen su prioridad de inversión.
  • Comparar las tecnologías y organigramas de los equipos analíticos.
  • En el mundo empresarial, los benchmark deben hacerse a nivel sectorial no a nivel general. Los modelos de madurez analítica hasta ahora son muy generales, hablando de la industria en general pero no particulariza en las necesidades de sectores económicos específicos.
Planeación estratégica: facilitar un mapa de crecimiento que permita evaluar la evolución de las organizaciones.
  • Da orientación, un norte y un fin común lo que es poderoso para crear una meta corporativa y orientar esfuerzos a tal fin
  • Las organizaciones toman esto como un mapa de "excusas" para presentarle a las directivas sobre lo que falta y no funciona en cuanto a datos, personas y tecnologías.
KPI y OKR: Posibilidad de medir el avance
  • Permite analizar el grado de esfuerzo en salarios y tiempo para producir un activo analítico determinado.
  • Las áreas de analítica por lo general carecen de gerencia. No suelen tener métricas del tiempo que tardan haciendo una tarea de punta a punta.
  • Se desconoce la volumetria de datos, los estimativos de duración de un proceso etc.
Innovación analítica: Permite diseñar nuevos activos analíticos en función de las necesidades de la organización
  • Las organizaciones en proceso de madurez analítica suelen tener proceso para dialogar con el negocio y producir activos de valor.
  • Los modelos producidos tienden a desarrollar un mapa de trabajo potente con respecto a métricas objetivo del negocio.
  • Los modelos de madurez analítica hasta el momento solo ofrecen un Cluster de pertenencia a la organización como un todo, no a los proyectos que la organización produce.

¿Cuál debo utilizar?

  • Aquel que provenga de una investigación seria: La mayoría de los modelos en la industria, tienen unas gráficas imponentes y unas infografías impresionantes pero no reportan el proceso lógico e investigativo implicado en su construcción, por lo tanto, no son modelos, en realidad son opiniones de experto.

  • Aquel que ponga el negocio en el centro: una empresa puede considerarse madura analíticamente cuando todos los esfuerzos analíticos responden a optimizar los indicadores clave de negocio (margen, satisfacción, retención de clientes, costos fijos, costos variables).

  • Aquel que provea un roadmap: Un modelo general puede traer como beneficio una vista 360 pero no ofrece un mapa de acción o siguiente paso. El mejor modelo es aquel que no solo nos clasifica en un segmento sino aquel que nos muestra una hoja de ruta para mejorar, cerrar brechas o producir victorias tempranas.
  • Aquel con una propuesta de métricas: ¿Cuales son los indicadores o fórmulas que permiten saber si se pasa de un nivel de madurez al otro?, ¿como se correlacionan los niveles de madurez del modelo con los resultados organizacionales?, ¿como medir el avance de la estrategia analítica? pocos modelos en el mercado facilitan respuesta a estas incognitas.
  • Aquel que no dependa de un GURU de la analítica: Todo modelo ha sido construido por personas o empresas que tienen intereses de venderte algo. Lo ideal es que las empresas sean autónomas en auto-diagnosticarse y definir la ruta analítica. Siempre existirán organizaciones que pueden ayudar a que este proceso de análisis y planeación sea más detallado, profesional y profundo pero en principio, el modelo de madurez y medición de la evolución analítica tendría que ser open source y no depender de un GURU para leer sus resultados.

¿Pasos a seguir?

Queremos acompañarte a determinar y diagnosticar en nivel de madurez analítica en tu organización ¿Buscamos un espacio en donde podamos discutir al respecto?

Hagamos una cita

Puedes además conocer un poco más de nosotros descargando nuestra presentación de credenciales:

COGNITIVE SERVICES

Referencias

Król, K., & Zdonek, D. (2020). Analytics maturity models: An overview. Information, 11(3), 142.

Halper, F., & Stodder, D. (2014). TDWI analytics maturity model guide. TDWI research, 1-20.

Nda, R. M., Tasmin, R., & Hamid, A. A. (2020). Assessment of big data analytics maturity models: an overview. In Proceedings of the 5th NA International Conference on Industrial Engineering and Operations Management (pp. 10-14).

 

Gabriel Contreras

Gabriel Contreras

Actual CEO de SINNETIC para Colombia. Estudios en psicología, estadística, Msc en estadística, MBA y especialista en comportamiento del consumidor e investigación de mercados. Más de 15 años de experiencia haciendo consultoría analítica y de datos para Seguros, Agronegocios, FMCG, Farma y Movilidad

Artículos Relacionados

Podcast #4: #WomenInAnalytics: Computación en la nube, analítica de datos e inteligencia artificial para PYMES con SAS VIYA

¡Sinnetic ahora tiene podcast! DataGame es un podcast en donde conversamos con líderes de las...

CONTINUAR LEYENDO

Podcast #5: Aplicación y uso de analítica de datos en los negocios

En nuestro podcast DataGame seguimos haciendo lo que nos gusta: hablar de analítica de datos,...

CONTINUAR LEYENDO

Podcast #2: Automatización de campañas y churn management en telecomunicaciones

¡Sinnetic ahora tiene podcast! DataGame es un podcast en donde conversamos con líderes de las...

CONTINUAR LEYENDO