E

n lugar de preocuparse por si están adoptando la IA con la suficiente rapidez, a la mayoría de las empresas les convendría más asegurarse de que dominan bien lo básico. Como asesor de empresas en todo el mundo desde hace unos 35 años, les he ayudado a adaptar y aplicar cinco principios fundamentales y atemporales de la gestión de la calidad a los datos.

1. Satisfacer a los clientes, tanto internos como externos

La pregunta central aquí es: ¿Le está dando a los clientes lo que necesitan y quieren?

Por lo general, pensamos en los clientes como externos: clientes que pagan, organismos reguladores y otras partes interesadas. Sin embargo, para hacer bien lo básico, resulta útil ampliar esta definición e incluir también a los clientes internos, es decir, a “las personas que utilizarán su trabajo para hacer el suyo”. Satisfacer sus necesidades significa que pueden hacer su trabajo de forma más eficaz y eficiente, sin cuestionar el suyo. Cuando esto se aplica de manera consistente en toda la empresa, tanto las personas como la organización se vuelven más eficaces y eficientes.

2. Enfocarse en el proceso

Los líderes deben preguntarse: “¿Cómo proporcionamos a la IA el contenido confiable y las conexiones de datos que necesita para ofrecer buenas respuestas, a gran escala y a un costo razonable?”

No hay mucho que pueda hacer con los datos que ya se han creado, pero hacer un mejor trabajo de ahora en adelante le dará resultados. Esto implica desarrollar procesos con arquitecturas de datos inclusivas, vocabularios compartidos, gestión de identidades, modelos conceptuales, grafos de conocimiento, altos estándares para el nuevo contenido y niveles cada vez mayores de intercambio de datos. Es una tarea enorme, pero la buena noticia es que las bases sólidas perduran mucho tiempo.

3. Actuar con base en los hechos (y medir lo correcto)

A largo plazo, los líderes deben preguntarse regularmente: “¿Qué estamos tratando de lograr?” También deben llevar esa pregunta a cada proyecto y preguntarse si sus organizaciones cuentan con las habilidades necesarias para definir las métricas correctas, establecer objetivos razonables e interpretar los resultados con la perspectiva adecuada.

Los líderes deberían adoptar un enfoque de balanced scorecard que abarque la satisfacción del cliente, la calidad de las respuestas, la velocidad y el alcance de la innovación, así como los beneficios para el negocio.

4. Adoptar la mejora continua

La mejora continua es una filosofía de gestión que promueve la innovación constante en productos, servicios, mecanismos de entrega y datos. El objetivo es hacer que las cosas funcionen siempre un poco mejor.

Aunque algunas mejoras pueden ser grandes (por ejemplo, rediseñar un proceso amplio y multifuncional para incorporar la IA), la mayoría son pequeñas, como capacitar a las personas para redactar mejores prompts. Lo importante es la rapidez con la que se avanza. La mejora continua también reconoce que el mundo está en constante cambio.

5. Reconocer que la calidad se logra gracias a las personas

Al final del día, nada funciona bien a menos que haya un gran número de personas comprometidas, aportando su energía, su pensamiento y su convicción al esfuerzo. La parte más gratificante de mi trabajo ha sido ver cómo las personas se conectan con los datos, se empoderan para asumir nuevos roles y colaboran entre sí para mejorar las cosas.

Este llamado a hacer bien lo básico era casi inevitable. Hay mucho entusiasmo (y exageración) en torno a la IA, y quienes la promueven han hecho parecer que todo se reduce a abrir su stack tecnológico, integrar un agente de IA y empezar a generar dinero.

Si usted lleva más de un par de años en esto, quizá sea momento de dejar de operar en automático. Pero no se trata de cambiar una inercia por otra. Vale la pena detenerse a pensar con profundidad en sus clientes, en sus datos, en sus métricas, en la mejora continua y en su organización, y empezar a trabajar en serio sobre esos fundamentos.

S

i su empresa tiene dificultades para ver resultados reales de su programa de datos, quizá sea momento de empezar de nuevo. He aquí cómo hacerlo y qué deben hacer personalmente los altos directivos dentro de ese proceso.

Cómo volver a poner en marcha su programa de datos

Para empezar de nuevo, las empresas deben avanzar en tres frentes de manera paralela:

1. Atacar la calidad de los datos

Las empresas se enfrentan a una amplia variedad de problemas comunes de calidad de datos.

La clave está en minimizar las “fábricas ocultas de datos” cometiendo menos errores en los puntos donde se crean los datos. Para lograrlo, es fundamental que el área de ventas tenga claridad sobre lo que necesita, que dialogue esas necesidades con marketing y que marketing elimine, una a una, las causas raíz de los errores. Los beneficios son fáciles de identificar y se obtienen rápidamente.

2. Iniciar su recorrido en ciencia de datos con técnicas más sencillas

La ciencia de datos es ideal para abordar todo tipo de problemas que enfrentan las empresas. En orden de complejidad creciente, algunos métodos (y los problemas que ayudan a resolver) incluyen:

— El control estadístico y la mejora de procesos no tienen comparación cuando se trata de reducir costos, tiempos de ciclo e incertidumbre en los procesos del negocio.

— El diseño experimental (incluidas las pruebas A/B) ayuda a mejorar la calidad del producto.

— El modelado estadístico ayuda a las empresas a comprender el comportamiento de los clientes, predecir las ventas del próximo mes, decidir dónde ubicar una nueva tienda y estimar el precio justo a pagar por una adquisición (entre otros ejemplos).

— El aprendizaje automático / inteligencia artificial se utiliza para analizar grandes conjuntos de datos, descubrir relaciones previamente desconocidas, ayudar a mejorar la toma de decisiones y automatizar muchos tipos de trabajo.

3. Poner los datos a trabajar para crear una ventaja competitiva

Aunque la IA ha acaparado la mayor parte de la atención durante el último año, existen muchas otras formas de generar beneficios empresariales a partir de los datos. Cuatro grandes ejemplos incluyen:

— Aumentar el valor de los productos y servicios mediante su “informatización”, es decir, haciéndolos más valiosos al incorporar más datos o datos de mejor calidad. Esto se puede hacer con casi cualquier producto. Mi ejemplo favorito es la lata de cerveza Coors: las montañas se vuelven azules cuando la cerveza está lo suficientemente fría como para beberla.

— Empaquetar y vender productos de datos.

— Crear una ventaja sostenida mediante la explotación de datos propios, es decir, datos que nadie más tiene. Un buen ejemplo es el CUSIP de S&P, que identifica de forma única los productos financieros.

— Incorporar más y mejores datos en la toma de decisiones, cumpliendo la promesa de la “toma de decisiones basada en datos”.

A largo plazo, las empresas deberán definir una o dos de estas opciones que mejor se adapten a ellas, en función de sus habilidades, los datos que poseen o pueden obtener, y los mercados en los que compiten. La informatización casi siempre es un buen punto de partida, en parte porque el trabajo es sencillo: pida a algunos de sus mejores especialistas en marketing que documenten su comprensión de lo que los clientes realmente quieren y necesitan. Luego, realice un “análisis de brechas” simple para determinar qué les gustaría recibir (y que no está ofreciendo). Busque llenar esas brechas con datos.

L

a IA no necesita fallar a escala global para causar un daño enorme a las personas, las empresas y las sociedades. Los modelos suelen equivocarse, tener alucinaciones, desviarse y pueden colapsar.

El interés principal aquí son los primeros proyectos de IA de una empresa. Es importante destacar que la calidad de los datos es un problema (y una oportunidad) enorme para toda la organización, pero la mayoría de las empresas lo han descuidado. Una de las consecuencias es que ni ellas ni sus altos directivos comprenden los problemas, cómo abordarlos ni los cambios organizacionales que deben realizar. Se encuentran en una situación difícil: deben protegerse a corto plazo, desarrollar las capacidades necesarias a largo plazo y, al mismo tiempo, formarse para poder hacerlo de manera eficaz. El objetivo de este artículo es ayudarles a dar los primeros pasos.

Obtener los datos correctos

Me parece conveniente enmarcar la idea de buenos datos a través de dos requisitos: 1) si son los “datos adecuados” para abordar el problema y 2) si esos “datos son correctos” o exactos.

Al seleccionar los datos adecuados para un proyecto, considere:

— Relevancia y exhaustividad

— Integridad y correcta representación

— Ausencia de sesgos

— Actualidad

— Definición clara

— Exclusiones apropiadas

Consideraciones más importantes en materia de datos correctos:

— Precisión

— Ausencia de duplicados

— Identificadores consistentes

— Etiquetado pertinente

El trabajo de garantizar la calidad de los datos no termina con el entrenamiento. Si se entrena bien un modelo con datos de alta calidad, se obtiene un buen modelo. Pero si ese modelo se alimenta con “datos futuros” de mala calidad, se obtienen resultados o predicciones erróneos. Los criterios de “los datos son correctos” y “los datos correctos” siguen siendo válidos.

A corto plazo: Adoptar una postura de “culpable hasta que se demuestre lo contrario.”

A nivel de proyecto, la responsabilidad general sobre la calidad de los datos debe recaer en la persona de más alto nivel que dirija la iniciativa. Debe reunir equipos de personas que puedan desarrollar el conjunto completo de requisitos y profundizar en los detalles para garantizar que se cumplan. Debe considerar la posibilidad de contratar talento externo si, como suele ocurrir, su empresa carece de la amplitud y profundidad de conocimientos necesarios para hacerlo.

Estos gerentes deben cuestionar incansablemente a los equipos de desarrollo de modelos y a otros sobre todo. Empiece por preguntar: “¿El problema que se propuso resolver y nuestro problema son el mismo?” Si no es así, tenga mucho cuidado. A continuación, analicen uno por uno los criterios adecuados para los datos de entrenamiento. Profundicen: ¿qué les hace pensar que los datos darán buenos resultados en las predicciones, respaldarán la ampliación del modelo a nuevos mercados y estarán libres de sesgos? Desconfíen cuando los proveedores se nieguen a responder, citando “nuestro modelo es propietario.” El modelo puede ser propietario, pero eso no significa que los datos lo sean.

A mediano plazo: Impulsar los esfuerzos de calidad en las fases iniciales.

Las empresas deben pasar de lidiar con datos erróneos en las fases finales a crear datos correctos en las fases iniciales. Como cualquier otra disciplina, la gestión de la calidad proporciona un amplio conjunto de fundamentos, métodos y herramientas sobre quién hace qué. Para introducirlos en su organización, comience con tres conceptos:

1. Enfoque intenso en el cliente y en la mejora de procesos, con el objetivo a largo plazo de crear los datos adecuados correctamente con identificadores y etiquetas apropiadas, desde la primera vez.

2. Responsabilidades de gestión claras, es decir, dejar claro que los departamentos comerciales (y no el departamento de TI, el director de riesgos o los directores de datos) son los responsables de la calidad de los datos. A su vez, esto implica responsabilidades claras para los equipos y las personas.

3. Involucre a tantas personas como pueda, en todos los niveles, en la medida de lo posible.

L

a mayoría de las compañías continúan teniendo dificultades para administrar sus datos y ponerlos a trabajar. Gastan tiempo y energía, pero no obtienen mucho por sus esfuerzos.

Las empresas deben crear mejores sistemas y enfoques para trabajar con datos, y eso comienza aclarando las responsabilidades de gestión para todos los que tocan información, de cualquier forma y en toda la empresa. He aquí cinco pautas para decidir quién debe hacer qué cuando se trata de datos.

1. Involucre a todos.

La mayor parte de la acción real en cuanto a datos involucra “personas normales”, que no tienen la palabra “datos” en sus títulos.

Ellos crean las cosas; interpretan las cosas; usan las cosas para satisfacer a los clientes y a los reguladores, realizan un seguimiento del inventario y del dinero, hacen planes y toman decisiones.

Hay un gran potencial aquí. Para liberarlo, las empresas deben aclarar los roles y responsabilidades de las personas comunes.

2. Construya la infraestructura para trabajar por encima, alrededor y a través de silos.

Si bien las empresas obtienen el mayor valor de los datos cuando se utilizan en todos los departamentos, los silos se interponen en el camino del intercambio de datos.

Para hacer frente a estos silos, las empresas deben construir una infraestructura que pueda transmitir y coordinar el flujo organizado de una gran cantidad de datos.

En primer lugar, las empresas necesitan definir y gestionar las cadenas de suministro de datos.

En segundo lugar, necesitan construir un puente de ciencia de datos que respalde la comunicación entre los equipos comerciales y los centros de excelencia en ciencia de datos.

En tercer lugar, necesitan crear un lenguaje compartido entre los departamentos y en toda la empresa. Las empresas pueden lograr grandes avances identificando aproximadamente 150 conceptos clave que unen a la empresa y acordando definiciones comunes.

3. Deje que la tecnología de la información haga tecnología, no datos.

Demasiadas empresas asignan erróneamente la responsabilidad principal de los datos a sus departamentos de Tecnología de la Información. Sin embargo, la mayoría de los datos no son creados ni utilizados por TI. Las empresas deberían dejar que TI haga tecnología, construyendo capacidades de infraestructura, automatizando procesos bien definidos y, con el tiempo, reduciendo la deuda técnica.

4. Encargue a los equipos profesionales de datos el entrenamiento y coordinación.

Las empresas necesitan equipos de datos pequeños y profesionales, con una gran experiencia en una variedad de temas, incluida la calidad de datos, la ciencia de datos, la gestión de metadatos, la privacidad y la seguridad para cumplir estas responsabilidades día tras día.

5. No deje de lado a los altos mandos.

Durante la última generación, excelentes métodos de ciencia de datos y calidad de datos han demostrado su valía en innumerables circunstancias, pero ha resultado difícil introducir estas nuevas ideas en las empresas.

Los programas de datos tienen una gran necesidad de liderazgo superior para ayudar a resolver estos problemas.

Con esto en mente, aconsejo a los líderes que se centren inicialmente en dos cosas.

La primera es hacer conexiones: Las empresas están llenas de problemas/oportunidades de negocio, y tienen grandes ideas en el ámbito de los datos. Sin embargo, con demasiada frecuencia no logran encontrarse. Los altos mandos están singularmente bien posicionados para conectar ambos.

La segunda es desarrollar, con el tiempo, las capacidades de las personas requeridas aquí. Si aún no lo ha hecho, contrate a un buen jefe de datos, uno con la valentía de un león, para estar al frente del cambio todos los días; y con la paciencia de un santo, para pensar a largo plazo y no distraerse con pequeñeces.

H

oy en día, la mayoría de las empresas saben que los datos de calidad son esenciales para lograr operaciones eficientes, una toma de decisiones acertada y una inteligencia artificial potente. Sin embargo, no reconocen el papel fundamental que desempeñan las personas en la creación de datos de calidad.

Muchos gerentes, en su mayoría de manera inconsciente, dificultan que las personas hagan lo correcto cuando se trata de datos. Después de todo, ellos también se esfuerzan por hacer lo mejor que pueden: les preocupa cumplir con los KPI y están bajo la presión de sus propios jefes. Al reflexionar con más detenimiento, es posible que identifique los siguientes escenarios:

Escenario 1: En un banco, la gerencia se negó a capacitar a los empleados de primera línea (con salarios bajos) sobre la importancia de los datos que introducían y su relevancia para las operaciones comerciales.

Escenario 2: Después de años de trabajo en el departamento de finanzas, Mary notó que las listas departamentales de proveedores contenían inconsistencias. Sin embargo, solucionar este problema le quitaría tiempo de su «trabajo diario». Así que, por ahora, decide guardar silencio.

Escenario 3: El personal de trabajo social se mostraba reacio a involucrarse en cualquier tarea relacionada con datos; estaban en la organización para servir a la gente, no para trabajar con tecnología.

Escenario 4: Para alcanzar su objetivo, durante las conferencias, un equipo de marketing adoptó el mantra “si respiran, escanee su credencial”. Esto generó mucho trabajo adicional para el departamento de ventas, que tuvo que buscar a personas que no tenían interés alguno en sus productos.

Fomente el orgullo por la calidad del trabajo

Estos escenarios son inquietantemente similares a los que han ocurrido en las fábricas desde los primeros días de la industrialización. Abordar este tipo de problemas fue el objetivo de estadísticos y consultores de gestión como W. Edwards Deming, Joseph Juran y Walter Shewhart desde la década de 1920.

Deming, en particular, destacó la importancia del trabajador común y su derecho a comprender cómo su trabajo encaja en el resto de la organización. Reconoció que casi todos los trabajadores sienten un orgullo natural por lo que hacen y un fuerte deseo de hacer las cosas bien. En su opinión, están en una posición privilegiada para ayudar a determinar la mejor manera de hacer su trabajo.

Su pensamiento es tan relevante para la “fábrica de datos” de la actualidad como lo fue para la fábrica física de hace años. En nuestro trabajo, observamos a diario cómo las personas quieren hacer lo correcto en lo que se refiere a los datos. Considere lo que está ocurriendo (o no) en los escenarios anteriores, y plantee las siguientes preguntas:

1. ¿Las personas comprenden que son creadoras de datos y cómo estos encajan en el panorama general?

2. ¿Existen mecanismos para que las personas expresen sus inquietudes, sugieran posibles mejoras y realicen cambios?

3. ¿Las personas se sienten orgullosas de lo que hacen y asumen la responsabilidad de crear, obtener y utilizar datos que respalden la misión de la organización?

4. ¿Las personas se perciben como clientes de los datos que otros crean, con el derecho y la responsabilidad de explicar lo que necesitan y ayudar a los creadores a desarrollar soluciones en beneficio de todos los involucrados?

Aproveche las oportunidades

Recomendamos que todos los gerentes hagan lo siguiente:

— Vean a las personas de manera positiva y les den voz.

— Relacionen el “trabajo diario” de las personas con los datos.

— Fomenten el trabajo en equipo.

— Comprendan que el empoderamiento conlleva responsabilidad.

— Adopten una actitud de “ninguna idea es demasiado loca”.

Lidere el cambio cultural

Todos los líderes tienen agendas muy ocupadas. Es fácil pasar por alto que los datos de alta calidad son fundamentales para todo, y lo esencial que son las personas para la calidad de los datos. Respételas, muéstreles el panorama general y ayúdelas a desarrollarse como creadoras y clientes de datos.

Los programas de aprendizaje y desarrollo (L&D, por sus siglas en inglés) son fundamentales para el éxito de cualquier organización.

Estos programas de L&D aseguran que los empleados tengan las habilidades necesarias para hacer su trabajo y muestran a las personas que sus empleadores quieren invertir en su desarrollo, lo que en última instancia impulsa la cultura de la empresa y fomenta un mayor compromiso con la organización.

Desafortunadamente, muchas organizaciones tienen dificultades para demostrar un retorno de sus inversiones en capacitación y desarrollo.

Una estimación encontró que solo 10% de los $200 mil millones de dólares gastados anualmente en los Estados Unidos para capacitación y desarrollo corporativo ofrece resultados reales.

Los expertos han desarrollado un enfoque conocido como aprendizaje en el flujo de trabajo que puede ayudar a las organizaciones a implementar programas de aprendizaje efectivos.

Crear una experiencia de aprendizaje que esté realmente integrada en el flujo de trabajo no es tarea fácil.

He aquí cinco estrategias respaldadas por investigaciones, que pueden ayudar a los líderes a alinear los programas de desarrollo de empleados con resultados organizacionales críticos.

CONTEXTUALIZAR EL APRENDIZAJE

 Cuando los empleados aprenden en el flujo de trabajo, el conocimiento se contextualiza dentro de la organización y las tareas laborales típicas del empleado, aumentando la retención y la aplicación.

Un enfoque para lograr esto es a través de programas de capacitación personalizados, donde los instructores se enfocan en solicitudes específicas a nivel individual o de equipo.

Una opción alternativa son las “reuniones de aprendizaje”. En lugar de invertir en un programa de aprendizaje personalizado y dedicado, los gerentes pueden reservar tiempo para que sus equipos aprendan una nueva idea o encuadre, compartan lo que aprendieron y discutan cómo podrían aplicarlo dentro de la organización.

EMPUJAR, EMPUJAR, EMPUJAR

Décadas de investigación han demostrado el poder de los nudges (pequeños factores contextuales que alientan a las personas a realizar una determinada acción) en diversos entornos.

En un contexto de aprendizaje, los recordatorios cortos enviados por correo electrónico o notificaciones automáticas, pueden ayudar a aumentar la probabilidad de que los empleados utilicen sus nuevos conocimientos.

INTEGRAR TIEMPO PARA LA REFLEXIÓN

La reflexión es un componente crítico del proceso de aprendizaje. Sin embargo, rara vez se incorpora en las experiencias de aprendizaje tradicionales.

Para crear programas efectivos de L&D, las empresas deben alentar a los estudiantes a reflexionar sobre cómo pueden incorporar sus nuevas habilidades en la jornada laboral.

CREAR EXPERIENCIAS DE MICROAPRENDIZAJE

La investigación sugiere que dividir el contenido de capacitación en partes más pequeñas, que se pueden entretejer con otras actividades, mejora el aprendizaje y la retención.

En lugar de pedirle a los empleados que aprendan un tema completo de una sola vez, los programas efectivos de capacitación y desarrollo presentan las ideas del tema en un marco fácilmente digerible.

MEDIR EL PROGRESO

Para evaluar con precisión el retorno de la inversión de los programas de L&D de su organización, debe medir el progreso de cada estudiante.

Esto significa realizar evaluaciones previas y posteriores, además de un seguimiento de los cambios de comportamiento en tiempo real, para capturar el impacto del programa de aprendizaje a nivel macro.

Especialmente cuando se trata de medir la efectividad de los programas de capacitación para habilidades blandas, es fundamental identificar métricas que puedan ayudarlo a determinar cuándo una iniciativa de capacitación y desarrollo está funcionando o no.

Además, es esencial recordar que el aprendizaje es un proceso individual, y los resultados pueden variar ampliamente de un estudiante a otro.

Los programas de aprendizaje y desarrollo brindan a los empleados las herramientas para sobresalir en sus trabajos y avanzar en sus carreras.

Para construir L&D que funcione, las organizaciones deben invertir en programas que animen a los empleados a aprender directamente en el flujo de trabajo.