Buscar el origen
Le voy a contar un secreto a voces: No podrá hacer nada importante en su empresa sin datos de alta calidad, y la mayoría de la gente sospecha, en el fondo, que sus datos no están al día o son, de algún modo, un galimatías sin sentido. Y sino lo sospechan, se darán de bruces con la realidad con el primer análisis superficial de sus datos, donde saldrán a la luz procedimientos incumplidos o fallos humanos durante la introducción de los datos en sus sistemas informáticos. Al fin y al cabo su empresa produce harina, piezas de plástico u ofrece servicios turísticos; no centra su día a día en el refinamiento de gigas y gigas de información, es fácil comprender porque a veces se deja la parte informática de los procesos en un segundo plano, pero es igual de fácil entender los beneficios de cuidarla.
Estos trabajadores que saben que los datos con los que trabajan no son los mejores, hacen todo lo posible para limpiarlos, incluso instalan software específico para encontrar errores automáticamente. Contratan profesionales carísimos o buscan la confirmación del desastre por parte de fuentes externas. Ímprobos esfuerzos que consumen recursos y tiempo con muy corto recorrido, pues se maquilla el resultado, no el origen del problema. Evidentemente, se trata de un trabajo costoso que, la mayoría de las veces, no sale bien además de generar fricciones innecesarias entre el personal de su empresa.
Queda claro: ¡La limpieza nunca termina! Imagine que ha limpiado perfectamente todos sus datos, pero no ha abordado el problema de la mala calidad en la fuente. A medida que adquiera nuevos datos, también adquirirá nuevos errores que afectarán al análisis de la información que quiere realizar. Usted y su equipo volverán a perder el tiempo lidiando con estos errores. La limpieza como el medio principal de aportar calidad a los datos se ha pasado de moda, es hora de atacar el núcleo de sus procesos informáticos gracias al amplio conocimiento funcional que usted posee sobre los mismos.
Manos a la obra
En lugar de corregir la calidad de los datos mediante la búsqueda y corrección de errores, los gerentes y equipos deben adoptar una nueva mentalidad, una que se centre en crear datos correctamente la primera vez para garantizar la calidad durante todo el resto del proceso. Especialmente cuando hablamos de la fase de explotación, momento en que herramientas de Bussines Intelligence, Analytics, Big Data y/o Machine Learning requieran un alto grado de refinamiento en sus inputs con objeto de devolver información práctica.
Este nuevo enfoque, y los cambios necesarios para que suceda, deben ser el primer paso para cualquier líder que se tome en serio el cultivo de una mentalidad basada en datos transversal a toda la empresa. ¿Quiere implementación real de ciencia de datos, monetizar sus datos o simplemente participar de una empresa más eficiente? El primer paso es verse a sí mismo, y el papel que desempeña en la producción y consumo de datos, de una forma nueva, más proactiva, al mismo tiempo que identifica y ataca sin piedad las causas fundamentales de los errores, haciéndolos desaparecer de una vez por todas.
Eliminar la mayoría de las causas fundamentales de estos errores es sorprendentemente fácil, además siempre puede contar con terceros para ayudarle en la detección y corrección de malas praxis: por ejemplo puede contar consultoras con años de experiencia en el tratamiento de datos como Idea Consulting.
Imaginemos la problemática de una clínica dental: el personal a menudo tenía dificultades para comunicarse con los pacientes después de la visita cuando necesitaban programar más pruebas, cambiar medicamentos o sencillamente realizar el seguimiento del tratamiento. Nadie sabía en la clínica con qué frecuencia se daba este escollo de comunicación o cuánto tiempo se desperdiciaba exactamente, pero quedaba clara su importancia, pues podía afectar la salud de los pacientes y era frustrante para el personal, así como posible motivo de mala publicidad.
Entonces, los empleados de la clínica observaron los datos asociados con las últimas 200 visitas de pacientes distintos y descubrieron que el número de teléfono era incorrecto para 126 de ellos. Revisaron sus procedimientos y encontraron que nadie había sido nombrado responsable de obtener esos datos, provocando una metodología laxa y ausencia de doble comprobación en la toma del dato. Así pues hicieron un cambio muy simple: cuando los pacientes se registraban, la recepcionista les pidió verificar sus números de teléfono o los solicitaba de nuevas. A nadie le sorprenderá que esta clínica dental volviese a medir un par de semanas después los resultados de los seguimientos telefónicos. Pues bien, los errores en los números de teléfono fueron virtualmente eliminados. Y como puede observar no se necesitó ninguna costosa herramienta de software ni un proyecto de miles de euros, únicamente prestarle dedicación y cariño al dato.
En otras palabras, el método que utilizó la clínica es universal:
- Clasificar los datos que necesita
- Medir la calidad de los datos necesarios
- Identificar áreas donde la calidad podría mejorarse e identificar la(s) causa(s) raíz
- Atacar esas causas
Hablamos de procesos notablemente flexibles, fáciles de enseñar y fáciles de usar.
Consumidor y generador de datos
Profundizando en el ejemplo observamos que esta clínica presentaba dos roles importantes en cuanto a la perspectiva de la calidad de los datos: el consumidor y el generador.
- Consumidor: La persona que utiliza los datos y saca conclusiones de ellos.
- Generador: La persona que crea, o ingresa por primera vez, los datos necesarios para ser consumidos.
En esta clasificación es importante tener en cuenta que las máquinas, los dispositivos y los algoritmos también usan y crean datos. Por lo tanto, el consumidor o generador también puede ser la persona responsable de tales máquinas, dispositivos y algoritmos. Es decir, nuestro ERP o captura de datos en planta necesita una capa adicional de calidad, que sea aplicada metódicamente para mejorar la adquisición de datos.
Es fundamental que las personas se reconozcan a sí mismas como consumidores. Y que, cuando lo hagan, definan sus necesidades mínimas y las comuniquen a los generadores de datos. Entre ambas partes se deben consensuar mínimos, aportar herramientas y, sobre todo, construir un puente de confianza entre la generación y el consumo del dato.
Visto desde la otra cara de la moneda, las personas también deben reconocerse a sí mismas como generadoras y realizar mejoras en los procesos, para que proporcionen datos de acuerdo con las necesidades de sus clientes.
En la clínica de ejemplo, una vez que cada participante de la cadena de creación de datos asumió su rol, completar el proyecto de mejora fue sencillo.
Sin miedo
Es evidente que la calidad y rendimiento del dato mejora rápidamente cuando los equipos y las empresas adoptan este enfoque, asumen estos roles y siguen los pasos recomendados por su identidad corporativa. Da igual, hablo de empresas grandes y pequeñas, de industrias tan diversas como servicios financieros, distribución e inyección de plástico, o hasta comercio minorista y telecomunicaciones. Todas ellas han utilizado esta nueva “conciencia del dato” para realizar mejoras en sus procesos de facturación, adquisición de clientes o producción. He sido testigo directo de la implantación de cuadros de mando cuyo resultado directo, en algunos casos, han supuesto un ahorro en los resultados de estas empresas de cientos de miles de euros. Resulta hasta obvio: un control del rendimiento de sus trabajadores basado en datos de calidad y contrastados se traduce en una reducción de costes directa, siempre que las conclusiones extraídas de los datos sean utilizadas con juicio,
Entonces, ¿por qué la calidad del dato no parece una prioridad en el mundo de las PYMES? Puede ser por algo tan simple como cuestiones organizativas o culturales, aunque lo más probable es que sea falta de tiempo. Como comentaba anteriormente, usted tiene que sacar adelante el trabajo del día a día, no importa, siempre podrá contar con alguien para asegurarse de que los métodos de adquisición de datos son los correctos. Sin esa calidad, ¿no sacará conclusiones erróneas de su trabajo diario avocándose a un círculo vicioso de esfuerzo en vano o incluso de pérdidas?
Evite quedarse en “ser vagamente consciente de que tienen un problema”, como lo eran en la clínica que ponía de ejemplo. Pensar que los datos que genera mi empresa son cuestión meramente de IT o de los desarrolladores del software es como ponerse una venda en los ojos ante un problema de salud: un autoengaño. De hecho y por lo general, los trabajadores han adquirido malos hábitos en lo que respecta a la calidad de los datos y los malos hábitos son difíciles de romper.
Podría contarle cientos de anécdotas, pero todas se resumen en consumidores de datos convencidos de la veracidad de lo que otros miembros de su organización aportaban como creadores de datos, llegando a consejos de administración con una perspectiva distorsionada de la realidad y, por lo tanto, el fracaso a solo un informe fallido de distancia. ¿Es mejor este escenario que la implantación, sin duda compleja, de métodos y herramientas que aseguren la calidad del dato antes de dicho consejo?
Malos hábitos
Para estudiar cómo estos malos hábitos se arraigan y crecen, consideremos a África, una comercial que recibe datos de contacto directamente del departamento de marketing. Ella es muy consciente de que los datos no son muy buenos: pasa un par de horas al día haciendo correcciones o directamente ignorando detalles de sus contactos. El desempeño de África se mide en la cantidad de llamadas de ventas que realiza con éxito, ¡y es una gran vendedora!
¿Qué ocurre? En un día normal y corriente, es más fácil lidiar con los pequeños errores de los informes suministrados que tomarse el tiempo para acercarse al departamento marketing a explicar la situación y poner coto. Que ilógico resulta sobre el papel, ¿cierto? Pues esa inversión de tiempo en el preciso momento la liberaría en el futuro de pequeñas micro inversiones que nunca se acabarán y terminarán por frustrarla. Parece obvio cual es el camino correcto…
De todos modos es fácil justificar la forma de actuar de África. Después de todo necesita cumplir con su cuota de ventas, incluso haciendo uso de datos incorrectos. Pero al asumir la responsabilidad de arreglar los datos y no comunicar sus necesidades al departamento de marketing, está asumiendo la responsabilidad de la calidad de los datos creados por otros. Y así cada día incorpora un mal hábito en su rutina. Es más, si alguien más usara los mismos datos de marketing, no tendría acceso a las correcciones de África y el ciclo de errores y correcciones se extendería a otros trabajadores.
Seguro que usted conoce muchas Áfricas en su empresa, departamento o nivel. Sin indagar en profundidad es fácil concluir que: ¡Demasiadas personas adoptan el enfoque incorrecto o desarrollan malas prácticas con respecto a la calidad de los datos en su trabajo porque están obsesionadas con sacarlo adelante!
Confíe en sus máquinas
Hasta este punto hemos concretizado la calidad desde la perspectiva de los trabajadores, de los consumidores y creadores, ¿pero qué ocurre con las máquinas?
Realmente ellas son las que digitalizan y almacenan el dato, además soportan las herramientas para explotarlos (Power BI, Tableu, MicroStrategy…). ¿Pero podemos confiar en que todos los procesos de recogida y refinamiento de datos sean correctos? Reconozcamos que los datos son cambiantes y que incluso su captación puede resultar demasiado azarosa. Parece lógico pensar que un proyecto que va a sustentarse sobre datos, y casi cualquier proyecto hoy en día lo hace independientemente del sector donde se encuadre, debería tener unos buenos cimientos que no se pueden confiar a procesos opacos, inconcretos o desactualizados.
Y como muestra un botón: supongamos que sobre la producción de harina, una harinera quiere realizar muestras del producto fabricado, en concreto medir ciertos parámetros como la proteína y la humedad, quizás buscando encontrar la correlación exacta entre ellos. Podría ser que el software de captura de parámetros funcionase perfectamente, pero el usuario debiese grabar con una acción la medición que se muestra en pantalla. El técnico de medición, en lugar de grabar metódicamente, crea una etiqueta física con esos valores de la muestra y no siempre graba en la base de datos. A posteriori, cuando intentamos aplicar un modelo estadístico en base a la correlación entre diferentes parámetros, nos encontramos que muchas de las muestras carecen de algún parámetro, invalidando cualquier conclusión sobre la correlación entre variables. Evidentemente, los modelos estadísticos basan su solidez en la necesidad de una gran cantidad de datos “buenos”, que no es el caso.
En esta hipótesis, ¿no hubiese sido más productivo realizar una auditoría sobre la calidad del dato antes de abordar ningún proyecto de analítica? Es más, en esa auditoria se hubiese implantado una medida de control para evitar la grabación de muestras sin medición de parámetros. Parece evidente una vez detectado el problema, pero la clave es no fiar conclusiones sobre escenarios que no controlamos al 100%, sino aproximarse con cautela a estos escenarios, aunque sea de la mano de expertos como Idea Consulting, para estudiar previamente la viabilidad de un estudio analítico. Como beneficio colateral, usted poseerá un mayor detalle sobre la informatización de sus procesos y una mayor seguridad de que los datos le proporcionan información veraz.
La recomendación es enfocar la producción de datos con el mismo cuidado y mimo que la producción física, auditando periódicamente nuestros procesos y la capacidad de medición y almacenamiento de datos de calidad.
En conclusión
Si bien estos problemas son sutiles y molestos, cualquier gerente o directivo puede abordarlos y adoptar una mentalidad donde “la calidad de los datos significa crear datos correctamente a la primera” dentro de su esfera de influencia. Empiece por preguntarse si se ha vuelto demasiado tolerante con los datos incorrectos y ha asumido el trabajo adicional que engendran los errores. Luego, asuma el rol de consumidor la próxima vez que experimente algún tipo de problema. No se limite a quejarse. Por el contrario, piense profundamente en lo que realmente necesita y abra un diálogo con los generadores de datos. Trabajen juntos para hacer una mejora, luego otra y otra. En poco tiempo estas dinámicas se volverán costumbre y darán como fruto una inmersión total en la cultura del dato.
A nivel de empresa, los líderes senior deben insistir en que todos asuman estos roles, adoptar las dos perspectivas aunque signifique ponerse en la piel de otros. Con ese fin, recomiendo crear un pequeño pero fuerte equipo de profesionales de la calidad de datos, y que estos formen y administren un proyecto interno, el cual capacite a las personas sobre cómo hacer el trabajo, ayude a los consumidores y generadores a comunicarse y asista cuando surjan dificultades.
Cambiar de paradigma es difícil. Afortunadamente tiene un gran acicate, pues generar datos correctamente de inicio conlleva grandes beneficios: Ahorra tiempo y dinero, y posiblemente, como en el caso de África, ¡quebraderos de cabeza! Genere confianza en los datos y conduzca a sus equipos a mejores decisiones entendiendo que todos somos consumidores y creadores de datos. Asumir estos roles ayuda a las personas a desarrollar la mentalidad adecuada en torno a la calidad de los datos y a detener los problemas antes de que comiencen.
¿Hablamos?
* Para cumplir con la nueva Ley de Protección de Datos y que tus datos estén a salvo, debes leer y aceptar mi politica de privacidad.
Tus datos están a salvo con nosotros porque cumplimos con el RGPD (Reglamento General de Protección de Datos) y esta es la info que debes saber:
- Responsable: Idea Consulting (Idea Consultoría Informática S.L.)
- Finalidad: Gestionar el envio de información y prospección comercial
- Legitimación: Consentimiento interesado
- Destinatarios: No se cederán datos salvo disposición legal
- Derechos: Acceder, rectificar y suprimir los datos, así como otros derechos, como se explica en la información adicional
- Información adicional: Puede consultar información adicional sobre Protección de Datos en nuestra politica de privacidad
