Negocio impulsado por datos: evitando las dificultades

Artículo Original publicado en WHERENEXT Magazine

Por Lauren Bennett / Digital Transformation / 24 de abril de 2018

Es el comienzo del cuarto trimestre, y un minorista con cientos de tiendas en América del Norte está pronosticando las ventas del próximo año en el área de la Bahía de San Francisco. El negocio, un pionero en el área, ha establecido una presencia dominante con cuatro tiendas. Pero se espera que los competidores abran tiendas cercanas dentro del próximo año.

Los ejecutivos reconocen que las tiendas de la competencia tendrán un impacto en las ventas, y quieren incluir esos efectos en las proyecciones de ingresos. El equipo de análisis crea un modelo que analiza las consecuencias de tener una tienda de la competencia ubicada dentro del mismo código postal que su tienda. Ellos presentan los datos en un mapa para mostrar las relaciones entre tiendas.

Este enfoque sería aplaudido por la mayoría de los equipos ejecutivos. ¿Pero y si no revela toda la historia? ¿Qué pasaría si los datos desorientan a los ejecutivos, resultando en decisiones comerciales que hagan daño a la compañía estratégica y financieramente?

Lo he visto suceder. La transformación digital ha abierto nuevas puertas para las compañías, presentando un caudal de información y grandes datos. En este nuevo terreno donde los datos abundan y el análisis guía las decisiones, pequeños errores pueden llevar a un ejecutivo y a un negocio por mal camino. En este artículo, examinaremos cómo los ejecutivos pueden usar nueva información y herramientas para impulsar decisiones comerciales valiosas, al tiempo que se evitan las trampas del análisis unidimensional.

Cinco pasos para un exitoso análisis de localización

1.      Pregunta y explora: siempre comienza con una pregunta bien enmarcada;
 obtener la pregunta correcta es clave para obtener resultados significativos.

2.      Diseña y calcula: Elige herramientas de análisis que transformen tus datos en nuevos resultados. 
Pregunta al equipo de análisis sobre las técnicas que usan.

3.      Examina e interpreta: Busca explicaciones para los patrones revelados.
 Los ejecutivos deberían ser alentados a añadir su perspectiva e interpretación.

4.      Toma decisiones: Evalúa si los resultados proporcionan una respuesta útil a la pregunta original. 
A menudo, surgen nuevas preguntas que provocan un mayor análisis.

5.      Comparte resultados: Use mapas, ventanas emergentes, gráficos y tablas 
para comunicar la información de manera eficiente y efectiva.

Liderazgo basado en datos

La toma de decisiones basada en datos es un sello distintivo del liderazgo ejecutivo. En una encuesta reciente de PwC, el 39% de ejecutivos senior dijeron que la toma de decisiones en sus organizaciones es “altamente guiada por los datos”, mientras que el 53% caracterizó su toma de decisiones como “algo guiada por los datos”. Eso significa que más del 90% de los lideres comerciales están utilizando algún tipo de datos para guiar sus decisiones de todos los días.

Pero el proceso de convertir los grandes datos en decisiones basadas en datos está lleno de desafíos, y algunos se pasan por alto fácilmente. Después de todo, los datos pueden engañar. 

Si los datos son defectuosos, se analizan incorrectamente o carecen de ingredientes clave, puede llevar a los ejecutivos a decisiones cuestionables.

Como George Box, un eminente estadista, dijo: "Todos los modelos están equivocados; algunos modelos son útiles".

Decisiones ejecutivas: Tres escenarios empresariales basados en datos

En un mundo de rápida transformación digital, es cada vez más fácil confundir datos con información. Al analizar el dónde e incluso el cuándo detrás de ciertos datos, los ejecutivos pueden agregar elementos críticos a la planificación comercial. Aun así, aunque el mapeo es un paso en la dirección correcta, hay fallas para evitar. Es por eso que cada ejecutivo debe estar armado con herramientas y técnicas para convertir los grandes datos en información y acción.

¿Cuáles son las mejores técnicas para convertir datos en decisiones comerciales inteligentes y útiles? Para responder esa pregunta, exploraremos tres escenarios donde los conjuntos de datos, analizados de dos maneras, producen diferentes resultados, y podrían desencadenar en dos decisiones comerciales opuestas. Si bien los detalles son hipotéticos, cada escenario se extrae del análisis del mundo real.

Escenario comercial 1: Agregando otra variable

Examinemos un ejemplo bastante sencillo de toma de decisiones basada en datos.

En el escenario comercial que abre este artículo, un minorista de América del Norte está proyectando ventas anuales basadas en múltiples conjuntos de datos. Los ejecutivos saben que dos competidores están construyendo un total de cuatro tiendas en este mercado geográfico. El equipo ejecutivo quiere incluir el impacto de estas nuevas tiendas en las proyecciones financieras para el próximo año fiscal.

Los datos de ventas de la compañía, mapeados por código postal, son mostrados aquí, con puntos amarillos representando nuevas tiendas de la competencia:

Un miembro del equipo del sistema de información geográfica (GIS) tiene algunas reservas sobre los resultados. Ella sugiere profundizar el análisis teniendo en cuenta la distancia física entre cada tienda y su competidor más cercano. Para hacerlo, el equipo usa GIS para analizar una nueva variable: un tiempo de conducción de 15 minutos desde cada una de las tiendas de la empresa, independientemente del código postal. El mapa debajo revela los resultados.

El análisis del tiempo de conducción muestra que los competidores afectarán las ventas de forma diferente a lo anticipado. El nuevo mapa destaca que, aunque los códigos postales son una variable común de organización, pueden crear relaciones artificiales dentro de los datos. 

Después de todo, los clientes cruzan los códigos postales a voluntad, ¿por qué no los datos de la empresa?

Ninguno de los análisis presentados aquí es objetivamente correcto o incorrecto, pero todos tienen consecuencias comerciales. Una proyección de ventas menos precisa cambiará el lugar y la forma en que el minorista se comercializa a sí mismo y dota de personal a sus equipos de servicio al cliente y ventas, e incluso al surtido de mercancías para cada tienda.

La tecnología GIS y otras herramientas pueden revelar información vital, pero solo cuando los ejecutivos y analistas hacen las preguntas correctas y piensan críticamente sobre cómo analizan los datos.

Análisis de red

Una red es un sistema que representa rutas posibles de un sitio a otro. Gente, recursos y bienes tienden a viajar a lo largo de las redes: autos y camiones viajan en rutas, mientras que los aviones viajan en rutas aéreas predeterminadas. Al usar análisis de red, es posible examinar factores como el tiempo de conducción para los clientes, áreas comerciales cubiertas por una tienda, las rutas más eficientes de entrega y tiempos de respuesta para la policía y los bomberos.
Más información (inglés).

Escenario comercial 2: Haz nuevos amigos, pero conserva los viejos

A medida que las empresas experimentan una rápida transformación digital, las herramientas, técnicas y datos que pueden utilizar para su ventaja estratégica evolucionan rápidamente. 

A la vanguardia está una nueva ola de datos de clientes que está ayudando a impulsar las decisiones comerciales.

Aplicaciones móviles, en particular, han reinventado el panorama de comportamiento del consumidor y el marketing predictivo. IHS Markit, una consultora de inteligencia comercial, predice que el gasto de los consumidores en aplicaciones móviles llegará a los 74 billones de dólares en todo el mundo para el 2020, frente a los 54 billones del 2016. La firma también espera que el número de usuarios de teléfonos inteligentes en todo el mundo supere los seis mil millones en 2020, frente a los cuatro mil millones en 2016.

Claramente, las aplicaciones móviles son un gran negocio. Pero quizás aún más intrigante que su promesa de ingresos directos es el tesoro oculto lleno de datos de los clientes que pueden generar, desde información sobre los hábitos de gasto hasta una ventana a los patrones de tráfico de los puntos de venta minorista. Pero convertir los datos digitales en información comercial no es tan simple como parece.

Considera una cadena de restaurantes informal de comida rápida que ofrece un bar de ensaladas y un mostrador de servicio rápido. La compañía desarrolló una aplicación móvil que permite a los clientes acceder a descuentos especiales y realizar pedidos antes de llegar a la tienda. Varios meses después del lanzamiento de la aplicación, la compañía analizó las elecciones de los consumidores y el uso de los cupones de descuento, así como sus movimientos anónimos antes y después de visitar los restaurantes de la compañía.

Los datos mostraban que una gran proporción de los usuarios de la aplicación compraban helado suave luego de comer en las tiendas urbanas de la compañía, un hallazgo respaldado por los datos de tendencia de Google, que mostraron un creciente interés de América del Norte en el helado suave. Basado en este análisis, el equipo ejecutivo comenzó a compartir ideas para capitalizar el fenómeno del helado suave. Una solución que ellos consideraron era asociarse con una Pyme de helado suave, poniendo a prueba un esfuerzo conjunto de marketing en una ciudad de Carolina del Norte.

Para una comprensión más profunda, la compañía analizó los datos de las aplicaciones móviles para mostrar los hábitos de compra de los clientes una hora después de visitar el restaurante, y luego los mapeó para revelar qué tan lejos viajaban los clientes por el helado suave.

Este mapa muestra ese análisis inicial.

A la luz de los hallazgos, algunos ejecutivos presionaron para desplegar kioscos de helado suave dentro de la tienda a lo largo del área de la compañía. Sin embargo, otros miembros del equipo se preguntaban si ese era el camino correcto. Al examinar los datos en el mapa, notaron que quizás estaban demasiado ansiosos por capitalizar los frutos de los datos, y pasando por alto un factor clave: solo una pequeña parte de los clientes de la compañía utilizaban activamente la aplicación. A pesar de que los datos de la aplicación eran sencillos de recolectar y valiosos a su manera, no representaban necesariamente una imagen completa de los hábitos de compra de los clientes.

Para hacer un balance, la compañía agregó un conjunto de datos más tradicional, realizando una encuesta en la tienda a clientes que no utilizan la aplicación. Estos resultados mostraban que menos del 5% de los clientes estaban comprando helado suave, pero más del 15% estaban comprando café en lugares cercanos después de su comida.

Este mapa muestra cómo los conjuntos de datos combinados alteran la vista en una sola sección de la ciudad:

Al examinar la relación entre conjuntos de datos, la compañía obtuvo una visión más matizada del comportamiento de los clientes, permitiendo al equipo ejecutivo tomar decisiones basadas en las preferencias de los clientes en ciertas ubicaciones o regiones geográficas.Al examinar la relación entre conjuntos de datos, la compañía obtuvo una visión más matizada del comportamiento de los clientes, permitiendo al equipo ejecutivo tomar decisiones basadas en las preferencias de los clientes en ciertas ubicaciones o regiones geográficas.

La experiencia del restaurant muestra cómo la decisión comercial basada en conjuntos de datos aislados puede llevar a una planificación con poca visión, y cómo el acceso a los nuevos y digitales conjuntos de datos pueden exacerbar esta tendencia. Por el contrario, el análisis del espectro completo de datos, integrados espacialmente, puede revelar información valiosa y llevar a decisiones importantes en términos de desarrollo de productos, asociaciones y adquisiciones, y planes personalizados de marketing.

Agrupación basada en la densidad

La agrupación basada en la densidad utiliza algoritmos de aprendizaje automático no supervisados para detectar dónde se concentran los puntos y dónde son escasos. Los puntos que no son parte de un grupo son etiquetados como ruido. Las técnicas de agrupamiento y clasificación son ampliamente utilizadas en el aprendizaje automático, una forma de inteligencia artificial. Aprende más (inglés).

Escenario comercial 3: Presentar datos versus analizar datos

Un ejecutivo de ventas de un gran fabricante en el área de Chicago vio el potencial de la transformación digital desde el principio y creó un equipo de analistas para examinar las ventas de productos.

Uno de los analistas utilizó GIS para crear un mapa espacio temporal, que combina datos de espacio y tiempo, mostrando ventas de los últimos trimestres. La animación, que mostraba cómo las ventas cambiaban en el tiempo, era una mejora sobre los mapas estáticos que el equipo había estado utilizando, de acuerdo con el analista.

Debajo se encuentra el análisis (en inglés).

Al examinar la animación, el equipo de ventas notó patrones en los datos y concluyó que ciertas áreas estaban listas para una expansión de ventas. Estas eran inferencias racionales, pero podrían no ser útiles para el negocio a largo plazo.

Cuando observamos un mapa animado, hacemos inferencias debido a que el cerebro humano está programado para encontrar patrones, incluso cuando no haya relaciones significativas presentes. Este fenómeno es llamado “apofenia”, un término acuñado por Klaus Conrad, un psicólogo alemán. El doctor Michael Sherman, un historiador científico y autor de “The Believing Brain”, llama a la misma tendencia “patternicity”, la tendencia a encontrar patrones en datos con y sin sentido. Él ha también investigado lo que llama “agenticity”, la tendencia a infundir patrones con significado, intención y agencia.

Cuando trabajan con datos para tomar decisiones, los ejecutivos y analistas necesitan conocer los sesgos del pensamiento humano. Los datos pueden parecer directos y objetivos. Pero no son inmunes a nuestra propia “patternicity” y creencias. En el peor de los casos, los datos aportan evidencia dudosa para las decisiones que creemos correctas.

En el caso del equipo de ventas, el atractivo de una herramienta animada puede haber abierto la puerta a esos sesgos. El mismo conjunto de datos, con un análisis de punto caliente aplicado, proporciona una perspectiva mucho más rica:

Al observar este análisis espacial, podemos ver exactamente donde aparecieron nuevos puntos calientes, identificar donde se ubican los nuevos y antiguos puntos fríos, y entender, científicamente, donde están creciendo las ventas y donde están cayendo. En lugar de pedir al ejecutivo de ventas que haga juicios subjetivos, el análisis espacial potencia conclusiones más objetivas y la capacidad de impulsar decisiones comerciales claras basadas en datos.

Dependiendo del enfoque utilizado, el equipo de ventas puede dedicar recursos a diferentes áreas geográficas. El tiempo y el dinero invertidos en establecer nuevas oportunidades de ventas representan una inversión importante, que debe realizarse en base a un análisis preciso.

Análisis de puntos calientes emergentes

El análisis de puntos calientes permite que los equipos identifiquen tendencias dentro de los grupos de puntos de datos en espacio y tiempo. En lugar de dejar la identificación de patrones a las personas, el análisis de puntos calientes proporciona una visión objetiva de las tendencias, que incluye puntos calientes y fríos nuevos, intensificados, persistentes, decrecientes e históricos. Aprende más (inglés).

Hacer que los datos trabajen para el negocio

Para los ejecutivos comerciales, nunca ha sido tan importante tener una buena comprensión del análisis de datos: sus fortalezas, sus debilidades y sus aplicaciones. Al analizar los datos de forma que se aproximen lo más posible a la realidad, enfoques matizados y ricos en información, los líderes empresariales pueden predecir más de cerca las ventas, desarrollar planes de marketing a medida, asignar recursos con precisión, enriquecer ciclos de desarrollo de productos y más.

Los datos tienen un tremendo potencial para inducir al error. Pero en las manos correctas, y con las herramientas correctas, los datos tienen una infinita capacidad para revelar la verdad y llevar a mejores decisiones.