Los datos nunca descansan. En 2026 se espera que el incremento exponencial en la cantidad de datos creados, capturados, replicados y consumidos por las empresas sea más del doble del que actualmente disponen, la pregunta es: ¿Este incremento de datos va a generar cambio en cómo se plantean las decisiones y acciones o vamos a seguir haciendo los mismos tipos de acciones pero con más precisión?

Seguramente al leer el título de esta publicación lo primero que ha pasado por tu mente: ¿Ya nos estamos moviendo del data-driven a otro modelo cuando aún muchas compañías ni siquiera usan datos?

Tienes toda la razón, pero como te comentaba en la introducción, los datos nunca descansan, y esto significa que constantemente se generan oportunidades para aquellas empresas que entienden, que estos son el bien estratégico más valioso que disponen y que, si son capaces de interpretarlos y explotarlos, pueden acelerar de un crecimiento lineal a uno exponencial

Mi objetivo con este post, no es incluir una palabra más en la retahíla de las ya existentes en el mundo de la tecnología, los datos y el marketing, sino hacer un viaje desde la actual adopción y relevancia del data-driven, hacia este nuevo enfoque el decision-driven concepto acuñado por los reputados investigadores Bart de Langhe (Profesor de Marketing en ESADE) y  Stefano Puntoni (Behavioral Scientist)

¿Qué significa ser data-driven?

Es posible que estés bastante familirizad@ con este concepto pero básicamente el resumen sería: centralizar los datos de una compañía, estandarizarlos y hacerlos accesibles para que se puedan tomar decisiones que lleven a alcanzar unos objetivos concretos: aumentar ventas, mejorar operaciones, mejor atención al cliente...

Por supuesto, esto no ocurre de la noche a la mañana y se requiere de una transformación progresiva mediante el avance por diferentes niveles hasta llegar a ser una compañía data-driven. A continuación os dejo una tabla propiedad de Hexacta y que resume perfectamente este recorrido.

¿Qué pasos deben seguir las empresas para convertirse en data-driven?

Se han de considerar muchos factores ya que deben movilizarse varias aristas de las compañía : personas, procesos y tecnología pero...

sobre todo es crucial la existencia de una cultura que promueva estos cambios.

Viendo la tabla anterior, parece que todo esté resuelto pero si damos un paso más allá, vemos que en este enfoque, todo se reduce a encontrar un propósito para los datos disponibles para sacarles valor pero eso no garantiza que se estén respondiendo las preguntas correctas, ni se obtengan las respuestas adecuadas.

Paco ¿Significa esto que no es suficiente con ser data-driven?

No, existen grandes beneficios de convertirse en una compañía data-driven como apuntan los estudios que os comparto a continuación:

• Desde Accenture afirmamos que las compañías data-driven experiencian un crecimiento anual del 30% de media.

• Un estudio de Forrester indica que organizaciones basadas en datos tienen un 58 % más de probabilidades de superar sus objetivos de ingresos que las empresas que no se basan en datos

• Mckinsey apunta que las organizaciones basadas en datos adquieren más clientes hasta en un 23 % y que también son 19 veces más rentables y pueden retener clientes leales hasta x6 veces.

• Según esta publicación de PwC, las organizaciones basadas en datos pueden superar a sus competidores en un 6 % en rentabilidad y un 5 % en productividad.

Aunque te avanzo que más adelante te mostraré por qué ser data-driven es necesario para llegar al decision-driven

¿Qué significa ser decision-driven ?

Como vimos, el enfoque data-driven pretende encontrar un propósito para sacar brillo a los datos disponibles pero si no tenemos esos datos ¿qué ocurriría? Efectivamente, que no siempre estaríamos respondiendo a la pregunta verdaderamente relevante. Por el lado contrario...

El enfoque decision-driven comienza con la definición de la decisión que debe tomarse y busca datos para responder a ese propósito.

Veamos un ejemplo con el que todos estamos familiarizados:

Muchas compañías trabajan en sus propios modelos predictivos para reducir el abandono de sus clientes. Estos modelos incluyen una cantidad suficiente de datos históricos para tener precisión y se basan en diferentes dimensiones que tienen un peso sobre el resultado obtenido.

Imaginemos el caso de una empresa basada en un modelo de suscripción. Cuando se detecta que un clúster de clientes no va a renovar la suscripción, se activa automáticamente un email ofreciendo una reducción de precio -¿Os suena familiar?-. Tras ello se mide la eficiencia y se llega a un resultado como: "Ofrecer un descuento a los usuarios que tienen tendencia a no renovar la suscripción, consigue que en un 75% de los clientes renueven".

¿Genial no? Esto significa que, automáticamente cuando detectemos a clientes que potencialmente van a abandonar la suscripción, nosotros sabremos que el 75% de ellos va a permanecer reduciendo su cuota. Sin embargo, si vamos un paso atrás la pregunta que a todos nos gustaría responder es ¿Cuál es la acción que realmente deberíamos tomar? ¿Es realmente un email con un descuento?

Si lo pensamos con detenimiento, seguir con esta acción podría incluso reducir el posicionamiento de la marca si su competencia decide bajar precio ya que quizás la diferencia de precio ahora no es significativa. Es más, en el mejor de los casos, esta acción podría dejar de ser válida por el simple hecho de que en realidad, no estamos resolviendo la causa por la cual los clientes no quieren seguir suscritos y finalmente dejen de renovar.

Existen muchas alternativas que podrían ser la causa del abandono: el servicio que se ofrece no responde a las expectativas de los clientes, nuestra propuesta no es diferencial...Lo sé,abordar todas las posibilidades genera parálisis, puede llegar a ser ingestionable por volumen y en la mayoría de casos se necesita tomar acción con inmediatez

Bien Paco...entonces ¿cómo aplico un enfoque decision-driven analytics en este caso?

A continuación, te dejo una guía de pasos y consideraciones que deben tomarse en cuenta.

En resumen ¿En qué se diferencia entonces un modelo decision-driven analytics vs un data-driven decision?

1. Los decision-makers lideran los proyectos y no los data scientist. Sé que esto puede ponerte la piel de gallina ¿Si partimos de los que toman decisiones no estamos sesgando las posibilidades desde el inicio? La ciencia de análisis de datos es tan creativa como técnica y ha de involucrar a varias personas. Se trata de un proceso parecido a la visita de un restaurante: dueñ@ del restaurante, recepcionista, maitre, chef, mesero, gastrónomo juegan un papel importante en cada punto. En primera instancia, el dueño del restaurante diseña cómo quiere que sea la experiencia de su restaurant, pero luego cada especialista se encarga de que su parte sea perfecta y se sincronice con la de sus compañeros -a nadie le gusta esperar mucho tiempo para que le tomen nota o reciba los platos en la mesa- pero finalmente, quien decide tras todo ello, es el cliente: ¿Puede hacer la carne un punto más? Si vemos el paso 2 del gráfico que veíamos en el párrafo anterior, en consideraciones os comentaba que se necesita involucrar a personas con diferentes backgrounds: marketing, diferentes especialistas de datos, product managers...

2. Los decision-makers lideran al decidir cuál es la pregunta que quieren responder pero se respaldan de los especialistas para determinar un conjunto de alternativas, priorizarlas, ejecutarlas, medirlas y finalmente seleccionar una

3. Reducción de sesgos. Incluir desde el inicio la diversidad de expertise junto a los equipos centrados en la toma de decisiones, ayuda a eliminar los prejuicios ya que se cuestionan los supuestos que éstos pudieran tener.

4. Las acciones a considerar se empiezan a partir preguntas y no en dependencia de los datos disponibles. En el decision-driven, nos focalizamos más en encontrar la pregunta adecuada y no dar respuesta solo a las preguntas para las que tenemos datos.

5. Se realiza un ejercicio más allá de lo que creemos saber. Como veíamos en el ejemplo anterior no solo nos preguntamos el efecto de una acción concreta, si no que ponemos mayor esfuerzo aún en qué acción deberíamos realizar

6. El histórico no lo es todo. Basarnos en datos para dar respuestas a preguntas, hace que todo comience con un histórico pero, aunque el pasado sea un prólogo, es posible que patrones anteriores, no sigan válidos en el momento actual debido a los cambios constantes del consumo y relación de los usuarios

Paco wait a moment...¿Por qué decías antes que data-driven puede ser un gran paso hacia el decision-driven?

Ser una organización data-driven implica algo más que herramientas, capacidades y datos, ya que la tecnología cambia constantemente y los datos crecen de una manera vertiginosa.

Para ser data-driven, se requiere de la implantación de una cultura alrededor de los datos que permita, que todos los agentes involucrados evolucionen, para dar respuestas a preguntas, siguiendo una metodología concreta que garantice altos niveles de fiabilidad

Es justo la cultura quien asegura los pilares fundamentales del tratamiento y la activación de los datos, pasando desde la colecta, su almacenamiento, estandarización , accesibilidad e interpretación. Es por eso que, con este gran paso hecho, es sólo cuestión de tiempo que, el enfoque de los análisis, se mueva hacia un enfoque decision-driven a medida que la cultura se arraiga en el día a día de cada una de las personas formando parte de sus procesos y decisiones.

Conclusiones

Decision-driven analytics requiere de una cultura del dato muy robusta, extendida y aceptada dentro de una compañía ya que desafía muchas de las creencias que actualmente realizamos en el análisis de datos y precisa que las personas involucradas en el proceso, estén familiarizadas tanto con su tratamiento como con su explotación y que en ningún caso sea directamente vinculante a herramientas específicas.

¿Significa eso que es un imposible? No lo creo, simplemente es cuestión de continuar dando pasos. En realidad, hemos avanzado mucho ya que, como estas cifras indican, hace una década sólo un 12% de las empresas líderes, había designado un Chief Data and Analytics Officer (CDAO); cifra que llega hoy al 73,7%. Aunque como imaginas la inclusión de esta figura no es suficiente y esto es totalmente cierto, ya que, otros análisis ponen de manifiesto que sólo un 26,5% de las compañías usan datos para tomar decisiones y el 91,9 % de los directores afirma, que el mayor reto que tienen es consolidar una cultura dentro de la compañía para que los datos generen un verdadero impacto.

No obstante, a pesar del reto que esto conlleva, las empresas que adopten este enfoque, se beneficiarán ya que garantiza que las iniciativas de análisis, estén vinculadas a la acción, se centren en responder las preguntas que importan y desafíen las creencias y los decisores en lugar de reforzarlos creando este efecto de crecer exponencialmente vs linealmente como introducíamos al inicio de esta publicación.

Como hemos visto, la cultura es clave y es por ello que me gustaría dejarte por aquí, 4 tips que puedes tomar en cuenta para acelerar esta transformación y de esta manera dar un paso al frente hacia el decision-driven:

1. Garantizar la adopción mediante una modelo top-down: imitamos lo que vemos y si los equipos y responsables de operaciones ven grandes cambios por decisiones que demuestran ser basadas en datos por la capa de managers/líderes/ejecutivos de la compañía, es mucho más probable que adopten el enfoque bajo el aprendizaje de que las decisiones siempre deben ir ligadas a datos.

2. Democratizar el acceso a los datos: tod@s en la empresa deben saber cómo acceder y utilizar los datos para hacer que su trabajo sea más valioso e impulsar el negocio.

3. Adaptar las herramientas a las personas: En vez de pretender, que constantemente las personas actuales del equipo , o nuevas incorporaciones, aprendan nuevas herramientas, dispón de tecnología que se adapten a sus capacidades. Se ha de comenzar por una adopción intuitiva e intentar que, las curvas de aprendizaje sean mínimas con la misión de evolucionar progresivamente en el tiempo

4. Poner al alcance programas sobre la resolución de problemas: esto empoderará a las personas del equipo que descubrirán una metodología que les ayude a: poder hacer las preguntas adecuadas, entender qué datos son necesarios y cuáles no, interpretar bien los datos, ser capaces de crear hipótesis y tests que lleven a conclusiones junto con la habilidad de poder contar historias mediante visualizaciones para que se entiendan y se tomen en consideración

Espero que te haya gustado y servido este post para aprender algo nuevo. Si es así, hazlo llegar a alguien que pueda interesarle tanto como a ti. De esta manera, colaboras compartiendo conocimiento y enriquecemos el debate con preguntas y comentarios.