L

a toma de decisiones colectivas no es una ciencia exacta. Los procesos rotos, la sobrecarga de datos, la asimetría de información y otras inequidades solo agravan los desafíos que surgen cuando grandes y dispares facciones con diferentes objetivos intentan trabajar juntas. Y las herramientas que a menudo ayudan con la toma de decisiones (análisis de datos, planificación de escenarios, árboles de decisión, etc.) pueden flaquear ante la magnitud y la complejidad de los problemas más grandes a los que se enfrentan los grupos y los líderes.

Aquí es donde la IA puede ayudar, y está ayudando. Con su capacidad para analizar grandes cantidades de datos, la IA puede ser una herramienta poderosa para todos los líderes que enfrentan decisiones complejas, especialmente aquellas que deben tomarse de manera colaborativa.

Un campo que ya está aprovechando el apoyo de la IA en la toma de decisiones colectivas es la planificación urbana. Hace tres años, comenzamos a trabajar con la Conferencia de Alcaldes de Estados Unidos para comprender cómo la IA está ayudando a las ciudades a resolver sus desafíos más apremiantes. En el camino, estudiamos la historia de la ciudad alemana de Hamburgo, que ha afrontado una crisis de vivienda agravada por la llegada masiva de refugiados.

En 2016, Hamburgo se asoció con MIT Media Lab, creador de una plataforma de IA llamada CityScope. La plataforma permite a los planificadores urbanos recopilar y asimilar las necesidades y preferencias de grandes grupos de residentes, simular cientos de escenarios de construcción, identificar oportunidades ocultas y encontrar puntos en común entre facciones en conflicto.

La crisis en Hamburgo

En 2016, Alemania decidió acoger a 1 millón de refugiados de Medio Oriente, y Hamburgo se encargó de encontrar vivienda para unas 80,000 familias en una ciudad con menos de 2 millones de habitantes. En ese momento, la ciudad había estado atrapada durante décadas en conversaciones improductivas sobre leyes de zonificación, luchando por construir suficientes viviendas para sus propios residentes.

Tres desafíos tienden a salir a la luz en situaciones de toma de decisiones colectivas, y Hamburgo no fue la excepción:

1. Los procesos y los incentivos están rotos.

El proceso tradicional para lograr algo (en este caso, construir nuevas viviendas) implica docenas de pasos e instituciones, cada una con su propia lógica procedimental y cultura interna. Las partes interesadas no tienen incentivos para unirse. En Hamburgo, la ciudad luchaba por construir algo porque cada proyecto requería la aprobación de una docena de burocracias, a menudo escleróticas y opacas.

2. La información es cada vez más abundante y no se distribuye por igual.

Cada decisión (en este caso, sobre desarrollos específicos o leyes de zonificación) involucra enormes cantidades de información en diferentes ámbitos: desde las preferencias de los residentes y documentos técnicos hasta métricas de tráfico y uso. Además, los procesos a menudo se expresan en documentos extensos, detallados y técnicos que la persona promedio no puede comprender.

3. Otras inequidades.

Los actores dominantes poseen una amplia gama de herramientas para bloquear las transformaciones. En este caso, los propietarios pueden detener los desarrollos urbanos mediante regulaciones de preservación histórica, requisitos de tamaño mínimo de lote, restricciones de altura, etc.

Cómo ayudó CityScope

La IA puede ayudar a resolver estos desafíos y mejorar la forma en que los grupos toman decisiones juntos. Ariel Noyman, uno de los ingenieros clave detrás de CityScope, nos dijo que su equipo diseñó la plataforma para cumplir con cuatro funciones clave:

— Insight (perspectiva): Construir un modelo dinámico de las condiciones sociales, económicas y ambientales mediante recopilación integral de datos, escaneo ambiental, análisis de transacciones, análisis de opiniones y visualización con retroalimentación.

— Predicción: Identificar necesidades y simular el impacto de intervenciones alternativas evaluando miles de escenarios hipotéticos.

— Transformación: Iterar posibles intervenciones en caminos de acción validados.

— Consenso: Involucrar a las partes interesadas en un proceso de toma de decisiones compartido y facilitado para alcanzar una visión unificada del futuro.

Así fue como estas funciones se desarrollaron en el proceso de trabajo con residentes y planificadores en Hamburgo para avanzar.

El primer paso consistió en recopilar la mayor cantidad de datos posible. CityScope recurrió a datos sobre vivienda y leyes de zonificación, pero también sobre desarrollo económico, patrones de compra, eventos y servicios de la ciudad, transporte e infraestructura, oportunidades de empleo, diversidad demográfica, impacto ambiental, seguridad y más. También aplicó encuestas a los residentes para recopilar sus preferencias.

Para ofrecer perspectiva, la plataforma correlacionó las dimensiones centrales de la vivienda (densidad y diversidad de personas) con indicadores de desempeño como consumo de energía, seguridad, preferencias de los residentes y más. Con esos datos, la plataforma analizó la relación entre vivienda y calidad de vida en el statu quo.

Luego, la plataforma pasó a hacer predicciones sobre las tendencias actuales y transformaciones hipotéticas, identificando restricciones que podría ser valioso modificar en el camino. CityScope destacó, por ejemplo, la infrautilización sistemática de propiedades comerciales. También señaló las áreas donde los servicios públicos tenían más probabilidades de verse afectados y aquellas con la mayor capacidad para recibir a nuevos residentes.

Una vez realizado el análisis, CityScope mostró los resultados en un diagrama simple y fácil de entender para ayudar a los ciudadanos y a otros participantes a ver fácilmente cómo los posibles cambios afectarían los indicadores clave que reflejan las prioridades comunes de los residentes de la ciudad.

Haciendo que la toma de decisiones sea más democrática

Mediante su uso de IA, CityScope aborda los principales desafíos que identificamos en la planificación urbana, y en la toma de decisiones colectivas en general:

Primero, sortea los lentos procesos burocráticos. Al agregar todos los datos relevantes en un modelo dinámico, CityScope analiza compensaciones mejor de lo que los funcionarios de la ciudad podrían hacerlo por sí mismos, porque integra todas las perspectivas y prueba miles de alternativas. El resultado es un proceso considerablemente más ágil, y además uno que toma en cuenta más perspectivas con mayor precisión.

Segundo, resuelve el problema de la sobrecarga y la asimetría de información. Al recopilar y procesar grandes cantidades de datos, y luego proporcionar visualizaciones claras y métodos para interactuar y compartirlos, CityScope elimina las barreras informativas que favorecen a quienes tienen más recursos sobre aquellos que carecen de dinero, tiempo o experiencia, brindando a cualquiera la oportunidad de comprender y proponer cambios.

Tercero, CityScope permite que toda la comunidad encuentre un camino hacia el consenso, no solo la élite. Los residentes pueden no estar de acuerdo sobre este o aquel proyecto de vivienda, pero pueden encontrar puntos en común en torno a prioridades compartidas. Al cambiar el enfoque de la deliberación de proyectos o leyes específicas a prioridades más amplias para la ciudad, CityScope replantea la discusión hacia una visión más global.

Dieciocho meses después de que comenzara la asociación con CityScope, Hamburgo no solo había alojado a miles de refugiados: los había distribuido estratégicamente a lo largo de la ciudad para maximizar la cohesión social, la oportunidad económica y la resiliencia comunitaria. Desde entonces, la ciudad ha estado integrando CityScope en sus procesos de toma de decisiones de manera más amplia para transporte, uso de energía y regulación ambiental.

Más allá de CityScope

Los humanos no somos especialmente buenos para procesar grandes cantidades de información y traducirla en políticas. CityScope muestra que la IA puede ayudar.

Sin embargo, por sí solas, las plataformas como CityScope no pueden resolver problemas conflictivos. La mayoría de las decisiones colectivas siguen siendo inevitablemente propensas al conflicto, y aunque la IA puede ayudarnos a comprender y gestionar las concesiones, no puede hacer que desaparezcan. Ningún algoritmo, por muy sofisticado que sea, puede reemplazar una cultura de desacuerdo saludable y respeto mutuo. En Hamburgo, fueron los residentes y sus líderes quienes hicieron que esta conversación fuera productiva, no solo la plataforma en sí.

Lejos de ser un sustituto de la toma de decisiones humanas, estas plataformas ofrecerán un complemento poderoso: una manera de aprovechar los datos al servicio de objetivos comunes.

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.

A

lo largo de las industrias, el perfil de lo que se necesita para tener éxito en las ventas está cambiando. Para obtener más información, recopilamos datos web de más de 20,000 ofertas de trabajo de ventas publicadas entre 2019 y 2022. Hay dimensiones clásicas que perduran en cuanto a lo que buscan las empresas al contratar vendedores: atributos y habilidades como experiencia en ventas, habilidades de comunicación, curiosidad y motivación.

Al mismo tiempo, las siguientes cinco competencias prospectivas están emergiendo consistentemente en las publicaciones para trabajos de ventas:

1. Propensión a anticipar el futuro del cliente: De acuerdo con la descripción del puesto, los gerentes de cuentas del distribuidor industrial W.W. Grainger deben “demostrar conocimiento de los datos del mercado y acceso a recursos para responder rápidamente a los nuevos desarrollos en el negocio del cliente”. Microsoft va un paso más allá. Esta empresa busca que los ejecutivos de cuenta que vendan servicios en la nube a clientes de startups nativas digitales “comprendan cómo las empresas emergentes crecen y maduran sus modelos comerciales”. De esa manera, los ejecutivos de cuenta pueden obtener un asiento en la mesa del comprador para establecer la agenda.

2. Disposición a colaborar: Los gerentes de clientes privados del Bank of Americadeben “comunicarse con especialistas, funcionarios y otros recursos para garantizar la entrega integrada de soluciones de inversión, fiduciarias, crediticias y bancarias”. Aunque muchas fuerzas de ventas ya tienen el trabajo en equipo en su ADN, es un cambio tectónico para otros que se han alejado de un enfoque personalizado con los clientes. Los vendedores también deben impulsar la colaboración dentro de organizaciones de compras complejas, donde diversos tomadores de decisiones se unen para acordar una compra.

3. Capacidad para aprovechar los canales digitales y virtuales: Los representantes de ventas de Pfizer deben “utilizar las herramientas digitales actuales de manera eficaz (por ejemplo, Veeva Engage, Zoom y Microsoft Office), así como adaptarse rápidamente a las nuevas herramientas beta (por ejemplo, una aplicación de clasificación digital) para un involucramiento exitoso con el cliente”. Es más probable que los clientes tengan una experiencia satisfactoria cuando los vendedores saben cómo y cuándo usar o coexistir con canales de venta digitales, virtuales y en persona.

4. Capacidad para analizar datos: Los gestores de cuentas nacionales clave de 3M necesitan “habilidades de Excel altamente desarrolladas y competencia en el manejo de análisis de datos complejos”. Aunque esta publicación de 3M está un poco al límite, los vendedores necesitan una mayor inclinación y aptitud para usar análisis en las interacciones con los clientes. Esto incluye la capacidad de trabajar con resultados algorítmicos, como recomendaciones de acción, y tener voluntad de compartir retroalimentación para entrenar modelos de inteligencia artificial.

5. Capacidad para adaptarse: Los ejecutivos de cuentas del canal empresarial de Apple deben “adaptarse al cambio y encontrar el camino correcto sin tener necesariamente todas las piezas del rompecabezas”. Los vendedores son a menudo agentes de cambio del cliente. Sin embargo, también deben adaptarse a las nuevas dinámicas de su propio mundo, mientras un enfoque más ágil de la planificación de ventas reemplaza los métodos de trabajo tradicionales.

Un claro tema general aparece en las ofertas de trabajo. Las organizaciones de ventas buscan experiencia y capacidades orientadas al futuro. Muchas nuevas contrataciones provendrán de empresas con diferentes culturas y estilos de trabajo. Esto significa que el proceso de incorporación de nuevos vendedores necesitará una gran dosis de aculturación.

Usando estas y otras estrategias para alinear la contratación, desarrollo, soporte y aprendizaje de ventas con las cinco competencias con visión de futuro, las organizaciones de ventas pueden posicionarse para el éxito en la era digital.

L

os líderes empresariales se ven sometidos a una gran presión para aumentar las capacidades analíticas y de datos de sus empresas (y hacerlo rápido), o corren el riesgo de quedar rezagados frente a competidores más avanzados en el uso de datos.

Pero ¿qué significa realmente tener éxito en este ámbito? ¿Cómo deberían medirlo las empresas?

Los indicadores que caracterizan el éxito de la transformación digital han evolucionado desde hace unos años. En una encuesta realizada por Gartner en 2018 a líderes de datos y analítica (D&A) y directores digitales (CDOs), los encuestados clasificaron tres actividades clave internas de la empresa como las más importantes para lograr el éxito en datos y analítica: crear una cultura impulsada por los datos, adoptar capacidades analíticas avanzadas y emplear una estrategia de implementación de datos y análisis bien desarrollada. Pero cuando Gartner realizó la versión 2022 de esta encuesta, los encuestados informaron que su principal prioridad ahora se centraba en el mercado externo: estas inversiones deben crear valor empresarial al ayudar a la compañía a alcanzar sus objetivos de crecimiento. Esta evolución del interés y el cambio de prioridad hacia el rendimiento y la rendición de cuentas en datos y analítica es una progresión natural destinada a responder a la pregunta “¿y qué?”

Una pregunta crítica para las empresas que están atravesando transformaciones digitales es: ¿Cómo y dónde contribuyen las inversiones en nuevas y mejoradas capacidades analíticas y de datos a beneficios empresariales tangibles como la rentabilidad y el crecimiento? ¿Deberían invertir en talento? ¿Tecnología? ¿Cultura? Según nuestra investigación, que mide el impacto del desarrollo analítico en los indicadores clave de rendimiento empresarial, el camino hacia la creación de valor real es matizado y no tan directo. No solo importa el nivel de analítica, sino también qué tan alineadas están las capacidades de análisis con los objetivos empresariales.

Cómo crean valor las empresas con la analítica

Para investigar el impacto de la alineación en la analítica sobre el rendimiento empresarial, encuestamos a 323 empresas que están atravesando transformaciones en datos y analítica (143 de estas compañías tenían sede en EE. UU. y 180 en India). Las compañías participantes representaban una variedad de sectores, incluidos telecomunicaciones, salud, energía, bienes de consumo, automotriz, logística, y servicios profesionales y financieros. El 43% de las empresas tenía ventas anuales superiores a los 100 millones de dólares, y otro 20% superaba los mil millones de dólares.

Para entender el impacto de estar alineados en el nivel de rendimiento empresarial, encuestamos a díadas de dos personas (un ejecutivo y un responsable de análisis de datos) de cada una de las 323 compañías. Fuimos intencionales en elegir y comparar la perspectiva estratégica “en la nube” del ejecutivo sénior con el punto de vista operativo “en el terreno” del analista de datos.

A los altos ejecutivos se les hicieron preguntas sobre las capacidades actuales de análisis de datos de sus empresas y el nivel de madurez de los datos (bajo, medio o alto). También se les pidió que compararan el rendimiento de su empresa con el de sus principales competidores en ocho KPIs, utilizando una escala de cinco puntos. Tres KPIs eran medidas de crecimiento: crecimiento de participación de mercado, crecimiento de ventas y crecimiento de utilidades. Dos eran métricas financieras: ingresos y rentabilidad. Y tres eran resultados centrados en el cliente: adquisición de clientes, retención de clientes y satisfacción del cliente.

Los gerentes operativos de datos respondieron a la pregunta sobre el nivel de madurez de los datos (bajo, medio o alto).

Lo que descubrimos

La pregunta de la encuesta completada tanto por los líderes sénior como por los gerentes de datos sobre el nivel actual de capacidades de datos de su empresa (baja, media o alta madurez, definidas más abajo) fue fundamental para nuestro análisis.

Las empresas eligieron un nivel bajo de madurez si realizaban la compilación manual de informes de datos, informes de datos no estandarizados, silos de datos y falta de una difusión sistemática en toda la organización. En las empresas que eligieron un nivel medio de madurez, los datos se recopilaban y analizaban de manera más deliberada, con informes estandarizados compartidos en una plataforma de toda la organización. Los datos y la analítica comenzaron a desempeñar un papel directo en la toma de decisiones empresariales clave. En los niveles de madurez más altos, las empresas usaban los informes de datos como base para todos los procesos y la toma de decisiones. En estas organizaciones, no se tomaba ninguna decisión sin recurrir a los datos e insights apropiados.

En nuestros hallazgos, descubrimos una tendencia sorprendente. Como era de esperarse, observamos una mejora en todos los KPIs a medida que las empresas avanzaban en el espectro de madurez de datos. El retorno de la inversión en talento y tecnología dio sólidos dividendos al inicio del camino en datos y analítica de una empresa: las compañías que pasaban de madurez baja a media disfrutaban de mejoras de un solo dígito tanto en los KPIs de crecimiento (8.7%) como en los KPIs financieros (8.9%), y casi de dos dígitos (9.9%) en los KPIs relacionados con el cliente. Sin embargo, los beneficios de inversiones adicionales disminuían a medida que las empresas superaban el nivel medio de madurez de datos.

De hecho, a medida que las empresas superaban el nivel medio de madurez y alcanzaban niveles elevados de capacidades de datos y análisis, sus resultados empresariales en todas las categorías de indicadores clave de rendimiento, aunque seguían siendo positivos, descendían considerablemente con respecto a los niveles máximos observados en las empresas de nivel medio.

Al profundizar más en los resultados, encontramos implicaciones importantes y matizadas para las empresas que están atravesando o considerando transformaciones en el análisis de datos. Cuando tomamos en cuenta las diferencias en “alineación de madurez de datos” entre los líderes sénior y los analistas de datos dentro de una misma organización, obtuvimos una imagen aún más clara sobre las diferencias en rendimiento en las tres categorías de KPIs.

Las empresas desalineadas

Las empresas situadas en el extremo inferior de madurez de datos obtienen beneficios en el rendimiento empresarial cuando invierten en mejorar sus capacidades hacia un nivel medio de madurez, a pesar de estar desalineadas internamente. Sin embargo, cualquier ganancia en los KPIs desaparece (y de hecho cae en terreno negativo) cuando los esfuerzos de transformación de datos de las empresas desalineadas avanzan del nivel medio al alto de madurez de datos.

La transición de una madurez media a una alta parece ser un abismo, ya que este salto requiere más que inversión en talento, herramientas y tecnología de datos y analítica. Para cruzar con éxito esta brecha, las empresas deben tener habilidades no solo en competencias analíticas, sino también y, lo que es más importante, estar alineadas internamente con su nivel de madurez de datos.

Las empresas alineadas

La alineación dentro de la empresa genera KPIs positivos en cada etapa de transición de madurez de datos, particularmente al pasar de capacidades medias a altas. Cuando están alineadas, las empresas se benefician de mejoras constantes y sostenidas en los resultados empresariales a medida que avanzan del nivel medio al alto de madurez de datos.

Alinear la organización

Nuestros resultados muestran claramente que, si bien un nivel básico de analítica puede ser suficiente cuando las empresas aún están en el rango de baja a media madurez de datos, se vuelve insuficiente y la alineación en capacidades analíticas surge como un factor necesario en la etapa de madurez de datos de media a alta si las empresas desean cosechar los beneficios de invertir en analítica.

Mientras las empresas de todos los sectores se esfuerzan por centrarse más en la analítica y lograr la superioridad de los datos y el análisis, nuestros hallazgos cuentan una historia clara y convincente que los líderes empresariales deben atender con mayor atención. Comprender la interacción entre la alineación y el nivel de madurez de los datos puede ayudar a las empresas a impulsar y mantener su rendimiento en los resultados relacionados con el crecimiento, las finanzas y el cliente.

L

os roles tecnológicos a nivel ejecutivo han proliferado en las últimas décadas. Los directores de información (CIO, por sus siglas en inglés) aparecieron por primera vez a principios de la década de 1980. Luego, los directores de tecnología (CTO, por sus siglas en inglés) se volvieron comunes en las empresas de alta tecnología y, posteriormente, se extendieron a otros tipos de negocios. A estos roles les siguieron los directores de seguridad de la información (CISO, por sus siglas en inglés), directores de datos (CDO, por sus siglas en inglés), directores de análisis (CAO, por sus siglas en inglés) y directores digitales (CDO, por sus siglas en inglés). Más recientemente, han aparecido los directores de inteligencia artificial (CAIO, por sus siglas en inglés), cuyo número ha aumentado considerablemente con el auge de la IA generativa en los últimos años.

Si bien la creación de estos roles refleja la creciente importancia de la tecnología en los negocios, una variedad tan vertiginosa de líderes tecnológicos también puede generar confusión.

Un estudio reciente, patrocinado por Thoughtworks y el MIT Chief Data Officer/Information Quality Symposium, sugiere que este es un problema serio. En una encuesta realizada a 266 líderes tecnológicos y de datos, más de 4 de cada 5 informaron que en sus organizaciones hay confusión respecto a las funciones de los distintos grupos tecnológicos, a dónde dirigirse para obtener servicios, y cuestiones relacionadas con los datos y la tecnología. Sólo el 12% afirmó no tener ninguna confusión.

A medida que más organizaciones buscan integrar los datos y la IA en sus operaciones, esta confusión puede estar teniendo un impacto negativo. Las personas en roles de liderazgo a menudo no tienen claridad sobre sus propias responsabilidades en relación con otros líderes tecnológicos: el 30% de los líderes encuestados dijeron que carecen de claridad sobre cómo su rol se relaciona con otros puestos de liderazgo en tecnología y datos.

Por supuesto, existen muchos desafíos que dificultan el éxito de los objetivos relacionados con los datos: la preparación del personal, la política organizacional, la difusión de responsabilidades (estrechamente relacionada con las estructuras organizativas superpuestas en algunas empresas), los presupuestos o restricciones financieras, la preparación tecnológica y el tiempo (o simplemente la paciencia limitada). Para hacer frente a todos estos desafíos será necesario un liderazgo claro y decidido, y un amplio mandato de cambio.

Sin embargo, en este estudio descubrimos que algunas organizaciones están reconociendo las desventajas de la proliferación de roles a nivel ejecutivo. Para abordar este problema, han comenzado a consolidar los puestos de liderazgo en tecnología y datos. (Nos referimos a ellos como líderes «SuperTech», aunque es importante señalar que existen variaciones en los títulos y funciones específicas según la organización).

Estos individuos son conocidos principalmente como directores de información (CIO), pero suelen tener una amplia responsabilidad sobre las funciones de datos y tecnología. Establecer roles de liderazgo SuperTech aportará claridad y responsabilidad a las iniciativas de transformación digital de las organizaciones.

El auge del líder SuperTech

¿Qué habilidades debe tener un líder tecnológico consolidado? Los participantes de la encuesta identificaron el liderazgo general y las relaciones con los altos ejecutivos (85%) y la estrategia y visión empresarial (82%) como los aspectos más importantes. La estrategia y visión tecnológica (72%) fue considerada algo menos prioritaria. En cambio, las habilidades relacionadas con la gestión de empleados dentro de la función tecnológica combinada (38%) y la ejecución tecnológica (35%) se consideraron sustancialmente menos importantes. En otras palabras, los líderes SuperTech deben estar muy orientados a los negocios, con una base técnica.

Por ejemplo, Shamin Mohammad, director de información y tecnología en CarMax, nos dijo: “Para ser eficaz como líder tecnológico, debo ser un líder empresarial. Trabajo codo a codo con el director de marketing y el director de operaciones (estamos totalmente alineados), y luego con el director financiero, el director ejecutivo y la junta directiva. La ejecución es un requisito básico. Debe cumplirse (ni siquiera es un tema de debate). Es más importante que un líder tecnológico sea un líder empresarial, que comprenda lo que está ocurriendo en la industria y que pueda anticipar hacia dónde se dirige para poder habilitarla con tecnología y lograr que el resto de la organización se sume». Temas como “mantener las operaciones funcionando”, renovar la infraestructura técnica o hacer frente a las amenazas de ciberseguridad son importantes, pero no su enfoque principal; sus subordinados directos se encargarán de estos aspectos.

Sean McCormack, un líder SuperTech en la empresa de transporte escolar First Student, señaló: “Si usted no es un ejecutivo de TI orientado al valor y la innovación, no funcionará para supervisar la innovación tecnológica, el análisis y la IA. Si todo lo que ha hecho es implementar paquetes tecnológicos, no tendrá éxito en un rol más amplio”.

Sebastian Klapdor, hasta hace poco jefe de tecnología, datos y análisis en la empresa de servicios de marketing Vista, comentó que una fuerte orientación al valor empresarial es clave para que se le asignen múltiples funciones relacionadas con tecnología y datos. Cuando dirigía el área de datos y análisis de la empresa, se centró en gran medida en lograr un valor medible a través de productos de datos exitosos. En una entrevista, mencionó que cree que este fue un factor clave en su posterior nombramiento como director de tecnología.

Disidentes de este modelo

No todos los ejecutivos de tecnología y datos creen que una organización integrada con un líder SuperTech sea una buena idea. En entrevistas, escuchamos algunas objeciones basadas en características individuales de los líderes, así como argumentos de tipo más estructural.

Varios líderes de datos nos dijeron que no estarían interesados en reportar a un director de información cuyo enfoque principal sea la infraestructura y el mantenimiento de operaciones, en lugar de impulsar un cambio empresarial significativo. Otros líderes expresaron preocupaciones diferentes respecto a un rol integrado. Scott Hallworth, director de datos y análisis en Hewlett-Packard, fue codirector interino de información en HP durante gran parte de 2023. Su preocupación con un rol completamente integrado (particularmente la combinación de director digital y director de información) es que fusionar estas funciones eliminaría el control sobre las decisiones importantes dentro de la empresa.

Por supuesto, las fortalezas y debilidades de las estructuras organizativas dependen de cada empresa y de las personas que ocupan estos roles. Es posible que una estructura particular y un líder en tecnología y datos funcionen mejor o peor según las circunstancias organizacionales y los individuos involucrados.

Acciones para el futuro

La acción más evidente que las organizaciones pueden tomar para abordar estos problemas es crear un rol integrado de liderazgo en tecnología y datos con un ejecutivo efectivo y orientado al negocio. A juzgar por nuestras entrevistas, muchas organizaciones ya han dado este paso y parecen haber tenido éxito.

Si por alguna razón esto no es posible, existen otras formas de abordar los problemas señalados en este estudio. Una opción es crear una mayor claridad en los roles de los líderes tecnológicos y de datos a nivel ejecutivo, y comunicar estas diferencias de manera efectiva a los clientes internos. Otra estrategia es fomentar una mayor colaboración entre estos líderes, lo que puede conducir a proyectos conjuntos y mayores niveles de éxito en su ejecución.

Hoy en día, las organizaciones utilizan una gran variedad de tecnologías y aplicaciones, tanto conocidas como emergentes. Hay momentos en los que se necesitan especialistas en determinadas tecnologías o en su gestión. Sin embargo, creemos que la tendencia hacia la tecnología especializada y los líderes en datos ha ido demasiado lejos. Se necesita una mayor coordinación e integración, y los líderes SuperTech con una fuerte conexión con el negocio pueden ayudar a que la tecnología de la información sea un recurso empresarial más eficaz.

L

os líderes de todo el mundo se preguntan (con razón) cómo la IA generativa puede beneficiar a sus empresas. Sin embargo, por impresionante que sea, es solo una de muchas técnicas avanzadas de ciencia y análisis de datos. Si bien el mundo se centra en la IA generativa, un mejor enfoque es comprender cómo utilizar la variedad de herramientas de análisis disponibles para abordar las necesidades de su empresa. ¿Qué herramienta de análisis se ajusta al problema que está tratando de resolver? ¿Y cómo evitar elegir la incorrecta? No es necesario que conozca detalladamente cada herramienta de análisis a su disposición, pero sí lo suficiente como para imaginar lo que es posible y hacer las preguntas correctas a los expertos técnicos.

Comience con el problema, no con la tecnología.

Las cuatro categorías de la analítica avanzada

Existen muchas técnicas de IA y análisis avanzados, y la lista crece con cada nuevo comunicado. Como líder, no necesita conocer las complejidades de cada técnica analítica; para eso tiene expertos técnicos. Sin embargo, comprender estas cuatro categorías puede ayudarlo a diferenciarse, hacer las preguntas correctas y ganar confianza.

1. IA generativa

La IA generativa crea nuevos datos, imágenes, videos, textos o sonidos que son similares, pero no idénticos a los datos existentes. ChatGPT es un ejemplo, al igual que Midjourney (generación de imágenes), Synthesia (videos a partir de texto) y Cresta (entrenamiento en tiempo real para agentes de call centers). Los creadores de productos existentes, como Adobe, Shopify, Canva y Autodesk, están incorporando funciones de IA generativa en sus ofertas. Estos algoritmos resumen materiales, responden preguntas o redactan artículos desde cero, lo cual beneficia a áreas como la comunicación de marketing y el servicio al cliente. Además, ayudan a comprender rápidamente nuevos documentos, como regulaciones, informes financieros o investigaciones médicas. Sin embargo, también pueden generar datos sesgados o de baja calidad (denominados “alucinaciones”) y requieren enormes cantidades de potencia informática y datos.

2. Aprendizaje profundo tradicional

Las técnicas de aprendizaje profundo procesan grandes volúmenes de datos complejos para aprender patrones y relaciones. Pueden clasificar, por ejemplo, si se compra algo o no, si un préstamo es seguro o riesgoso, si un tejido es canceroso o benigno. Pueden optimizar, por ejemplo, ajustando las líneas de producción o reduciendo el consumo de energía. Sin embargo, para aprender, también requieren datos con clasificaciones ya conocidas. Además, los resultados de los modelos son difíciles de explicar, lo que significa que las empresas no pueden decir a los clientes o a los reguladores el porqué de una predicción.

3. Econometría

En comparación con la complejidad y el costo del aprendizaje automático, las técnicas estadísticas tradicionales pueden ofrecer resultados igualmente buenos a un costo mucho menor. La rica historia de la econometría ofrece herramientas poderosas para probar mecanismos teóricos y comprender relaciones causales a partir de datos observacionales o experimentos. Un gerente puede determinar cuánto influye cada variable en un resultado y comprender la magnitud de las relaciones causales. Además, los modelos son altamente repetibles, proporcionando siempre las mismas respuestas a las mismas entradas. Sin embargo, los modelos econométricos suelen requerir supuestos sobre las relaciones y las distribuciones estadísticas subyacentes.

4. Automatización basada en reglas

Los primeros modelos de IA se basaban en reglas del tipo “si-entonces”, y siguen siendo frecuentes y valiosos. Los sistemas basados ​​en reglas son sencillos, comprensibles, interpretables y transparentes. Son adecuados para problemas bien comprendidos, como la implementación de normativas establecidas (por ejemplo, leyes fiscales). Sin embargo, su creación puede requerir una cantidad significativa de experiencia en el área. También pueden ser inflexibles, no adaptarse a los cambios de contexto y no dar respuestas a escenarios no previstos por los diseñadores.

Cada uno de estos métodos es útil en diferentes situaciones, y a menudo en combinación. La clave está en saber cuándo utilizar (y no utilizar) cada uno.

Cómo elegir: Las cinco preguntas que debe hacerse

Cada proceso y decisión es un candidato potencial para nuevos enfoques de analítica avanzada. Pero el contexto es importante. A continuación, ofrecemos cinco preguntas que puede hacer sobre las limitaciones de la IA.

1. ¿Cuál es el costo de equivocarse?

La IA generativa es útil para primeros borradores y respuestas “suficientemente cercanas”. ¿Su problema puede tolerar una precisión inferior a la excelente? ¿El costo del error exige un enfoque diferente? ¿O puede utilizar un enfoque híbrido en el que las computadoras identifiquen posibles diagnósticos médicos u objetivos militares y los humanos tomen la decisión final?

2. ¿Necesita explicar las decisiones que toma su modelo?

Los algoritmos de aprendizaje automático, especialmente los basados ​​en el aprendizaje profundo, pueden brindar respuestas precisas, pero sus modelos proporcionan poca información sobre el por qué. Por otro lado, los modelos econométricos pueden mostrar cómo las variables influyen en las decisiones, pero pueden carecer de la precisión que ofrecen los modelos más grandes. ¿Necesita saber por qué un modelo hace lo que hace? ¿O una buena respuesta es suficiente?

3. ¿Sus modelos necesitan generar las mismas respuestas todo el tiempo?

Por defecto, la IA generativa genera respuestas diferentes todo el tiempo. Los modelos econométricos y basados ​​en reglas proporcionan las mismas respuestas para las mismas entradas, pero pueden volverse obsoletos a medida que cambian las condiciones. La mayoría de los modelos de aprendizaje automático ofrecen respuestas repetibles, pero si constantemente se actualizan sus datos de entrenamiento, esas respuestas pueden cambiar con el tiempo.

4. ¿Sus datos tienen una fuente confiable?

Sin una buena fuente de verdad, una compleja red neuronal de aprendizaje profundo multicapa puede no ser mejor que lanzar una moneda al aire. ¿Tiene suficientes datos bien etiquetados? Si no es así, ¿tiene mejores fuentes de verdad para clasificaciones menos específicas (por ejemplo, identificar un “animal parecido a un caballo”, en lugar de distinguir entre caballos, burros y camellos)? Los humanos pueden mejorar estas predicciones, ayudando a que los sistemas se vuelvan cada vez más inteligentes mediante retroalimentación de refuerzo. Sin embargo, sin un punto de partida adecuado, los humanos pueden agotarse rápidamente al tratar de ayudar a las IA novatas que, en teoría, deberían estar ayudándolos a ellos.

5. ¿Sus datos de entrenamiento reflejan las condiciones en las que operará?

Aunque los algoritmos de IA modernos pueden descubrir patrones en los datos que las técnicas anteriores pueden pasar por alto, el patrón debe ser un patrón real. Y debe provenir de todo el conjunto de contextos en los que opera. ¿Tiene datos de inversión de épocas buenas y malas? ¿Datos médicos de hombres y mujeres, y de diferentes etnias?

Si bien debe tener cuidado con la calidad de los datos que utiliza, no es necesario que sean perfectos. Dependiendo de los riesgos y limitaciones del problema, puede mejorar un modelo a través de la retroalimentación.

El mundo de la IA avanza rápidamente, pero las organizaciones cambian mucho más lentamente. Lo que funciona en un laboratorio puede no ser adecuado para su empresa en este momento. Si sabe hacer las preguntas correctas, podrá tomar mejores decisiones, independientemente de la velocidad con la que cambie la tecnología. Puede trabajar con sus expertos técnicos para utilizar la herramienta adecuada para el trabajo adecuado. De este modo, cada solución de hoy se convertirá en la base para generar innovaciones futuras.