Entrevista con el profesor Ramandeep S. Randhawa, de Marshall School of Business en la Universidad del Sur de California (USC)
En los últimos años, se ha registrado un impresionante crecimiento tanto en la recopilación de datos, desde gigabytes, terabytes y petabytes, como en el procesamiento de los mismos, acompañado por la llegada de algoritmos sofisticados -y al mismo tiempo accesibles- basados en Machine Learning e Inteligencia Artificial.
Estos avances han hecho que la toma de decisiones basada en datos se convierta en una herramienta fundamental para las empresas. El análisis de datos empresarial brinda a las organizaciones diferentes oportunidades: elimina las conjeturas o suposiciones del proceso de toma de decisión con base en pruebas A/B; toma de decisiones verdaderamente dinámicas, como precios en tiempo real, y la toma de decisiones estratégicas.
Sin embargo, esta era de analítica avanzada en los negocios también viene plagada de diversas preguntas y desafíos, como: ¿podemos combinar el poder de la toma humana de decisiones con los algoritmos para obtener lo mejor de ambos mundos? ¿Cuál es el impacto real del análisis de datos en los resultados o bottom line de una organización?
El profesora Ramandeep S. Randhawa, vicedecano de programas de licenciatura en Marshall School of Business de la Universidad del Sur de California (USC), y experto en Data Science, comparte sus puntos de vista al respecto:
Vemos un incremento en las plazas laborales para científicos de datos en todo el mundo, pero sólo unas cuantas personas están calificadas para ocupar estos puestos. ¿Cómo pueden las empresas y los ejecutivos enfrentar esto?
Esa es realmente la pregunta de los mil millones de dólares ya que se trata de un elemento crítico. Algo en lo que estamos trabajando en los programas de negocios, incluso en todas las disciplinas académicas para desarrollar ese talento, es integrar la analítica de datos y crear programas específicos para ese análisis de data. Pero, ¿qué pueden hacer las empresas mientras tanto? Esa es la pregunta clave y creo que la respuesta es que tienen que pensar detenidamente sobre el alcance de la analítica que quieren hacer, es decir, deben tener cuidado en no emprender grandes proyectos de análisis de datos sin antes saber si realmente pueden cumplir con todo lo que éstos conllevan.
Creo que esta escasez de talento también representa una oportunidad muy importante, la de capacitar e invertir en la fuerza laboral existente. A nadie le gusta que le digas “esta es la decisión que se tomó, ahora hazlo.” Entonces la única forma en que realmente funciona la toma de decisiones basada en datos es si se obtiene la aceptación de la fuerza laboral de la compañía, y esta es una gran oportunidad de capacitación. Los colaboradores deben comprender en qué consiste ese análisis de datos y cómo puede ayudarles a hacer mejor su trabajo, al mismo tiempo que contribuye a que la empresa alcance sus objetivos.
Existe una gran cantidad de soluciones [de Business Analytics] ya “empaquetadas” o listas para usarse, donde lo único que se tiene que hacer es saber cómo alimentar los datos y definir qué preguntas se quieren responder. En este caso, tal vez no sea necesario todavía contratar científicos de datos o profesionales de análisis de datos. Incluso, las empresas más pequeñas pueden aprovechar este tipo de soluciones con sus colaboradores actuales, de modo que entiendan lo que estos sistemas pueden hacer por ellos.
¿Qué tipo de problemas puede prevenir la toma de decisiones basada en datos? Y, ¿cuáles son los puntos ciegos?
La razón por la que la analítica tiene tanta demanda es que está eliminando gran parte de la subjetividad de la toma de decisiones humanas. Especialmente en los niveles directivos estratégicos más altos, muchas de las decisiones que se tomaban en el pasado se basaban en el instinto y la experiencia. Y si nos fijamos en la teoría sobre el comportamiento, cuanto más sabemos, más probabilidades tenemos de cometer errores o de sentirnos más seguros acerca de algunas decisiones, cuando no deberíamos hacerlo. Por eso, las decisiones basadas en datos son en realidad un medio muy poderoso para tomar decisiones de manera objetiva. Esto es lo que les decimos a nuestros estudiantes: si saben usar los datos, tienen la capacidad para influir en la toma de decisiones, porque discutir con los datos es muy difícil.
Ahora bien, si se elimina la subjetividad humana, también pueden generarse muchos problemas. A medida que los enfoques basados en datos y los algoritmos se vuelven más sofisticados y analizan cosas complejas, tampoco tienen la capacidad de generalizar. Es como si tu fuerza fuera tu debilidad. Y los humanos son muy buenos generalizando; los humanos podemos comprender mucho más en términos de una imagen más amplia, mientras que los algoritmos miran principalmente al pasado y hacen coincidir patrones.
¿Es posible que el uso de Business Analytics sea más efectivo en unas áreas de la empresa que en otras?
Absolutamente. Creo que donde las empresas están usando más el análisis de datos es en el CRM (software de Gestión de la Relación con el Cliente, por sus siglas en inglés), ya sea para interactuar con los clientes, con base en la IA, o para administrar todas sus relaciones comerciales. Otros ejemplos pueden ser la fijación de precios en tiempo real o el manejo de inventarios en una cadena de suministro. O los casos de Uber, Didi, Rappi, que saben en cada momento cuántos repartidores tienen en diferentes lugares… En todos estos casos se toman decisiones basadas en datos en tiempo real, buscando hacer sus operaciones más eficientes.
En su opinión, ¿qué industrias pueden beneficiarse más del análisis de datos?
Muchas, pero creo que la banca es una de las más importantes. Uno de los grandes desafíos de la analítica de datos es también la capacidad de almacenarlos, es decir, contar con la infraestructura necesaria. Se requiere de una infraestructura muy robusta para poder almacenarlos y garantizar que permanezcan seguros, además de un software muy potente que haga justamente el trabajo de análisis. El sector bancario, por lo pronto, y más específicamente las áreas de inversiones y servicios financieros, han estado construyendo esa infraestructura de muchas maneras diferentes, por lo que están listos para realmente aprovechar todos los avances que han ocurrido en los últimos diez años en inteligencia artificial.
El retail es otro sector donde la data funge como un gran aliado, ya sea en las cadenas de suministro, el inventario o los precios a clientes. Por ejemplo, ser capaz de entender –a través de la data– lo que hoy demandan los consumidores, representa una gran ventaja para las empresas, ya que pueden contar con la retroalimentación de sus clientes y mejorar o hacer cambios en sus productos a una velocidad mayor.
Otro caso es la industria del entretenimiento. Si piensas en TikTok, todo es analítica. Eso es lo que hace funcionar a esa red. Cualquiera puede subir videos, YouTube sube videos… El desafío, en realidad, no es publicar esos videos, sino hacernos adictos al teléfono para que sigamos usando su aplicación. Al interactuar con la plataforma, su algoritmo aprende de una manera sorprendentemente rápida lo que le gusta a una persona, y le empieza a mostrar más de lo que le gusta. Sin duda, las redes sociales tienen un potencial enorme.
Aunque por otro lado cualquier compañía podría leer esto y pensar que hay que invertir mucho dinero en inteligencia artificial y analítica de datos en medios sociales. Sin embargo, antes debería preguntarse: ¿Tengo a las personas indicadas que puedan entender esto? ¿Tenemos los datos correctos?
Finalmente, ¿cree que las leyes de seguridad y privacidad de datos representan un riesgo para las empresas en caso de piratería informática o uso indebido de los datos?
Totalmente. A medida que pensamos en recopilar más datos y usarlos, surge la pregunta de cómo mantenerlos seguros y protegidos, y es una importante responsabilidad de las compañías. Hay dos formas en que pueden abordar esto: una es simplemente invertir en ciberseguridad. Se debe pensar en la infraestructura, la seguridad y la protección como elementos indispensables.
Por otro lado, existe un método que se llama privacidad diferencial, que permite compartir públicamente algunos elementos clave de conjuntos de datos sin exponer a las personas, por lo que básicamente se trata de construir algoritmos, pero teniendo en cuenta la privacidad, de modo que incluso si los clientes se sienten incómodos porque se pudieran estar utilizando sus datos, se está haciendo de una manera muy privada para que esas preocupaciones puedan eliminarse.