Posts publicados por Alejandro Linde

Gobierno del dato: La importancia de los roles

Gobierno del dato: La importancia de los roles

Actualmente las empresas generan una gran cantidad de datos que provienen de distintas fuentes (ERPs, CRMs, datos de comportamiento en la web, redes sociales, open data…) y en diferentes formatos, por lo que resulta muy complicado poder extraer información relevante si no existen unos procedimientos previos a la hora de gestionar y tratar los datos.

El objetivo del Gobierno del dato es la planificación, aplicación y monitorización sobre la gestión y el uso de los datos en una compañía. Incluye personas, procesos y las tecnologías para administrar y proteger los activos de datos de la empresa a fin de garantizar unos datos corporativos comprensibles, correctos, completos, confiables y seguros.

Por tanto, establecer un buen Gobierno del dato no solo va de definir procesos y tecnologías, también va de personas. Entonces, ¿qué personas/perfiles hacen falta para crear una estructura e implantar un Gobierno del Dato en una compañía? Déjame contarte a continuación ?

La importancia de los roles en el Gobierno del Dato

De igual forma que las compañías disponen de un departamento de Recursos Humanos encargado de organizar, planificar y administrar las personas que integran la compañía, para gobernar el dato se precisa de una estructura que permita asegurar el ciclo de vida del dato, velar por la calidad de los datos y actuar durante todas las fases por las que pasa en el dato dentro de la organización.

Sin unos roles definidos será imposible llevar a cabo las acciones a corto, medio y largo plazo que permitan impulsar a la organización hacia una correcta gestión del dato con el objetivo de convertirse en una compañía data-driven (impulsada por datos).

Y te preguntarás, ¿qué roles debería tener en cuenta mi compañía si quiero establecer y mantener un modelo de Gobierno de Datos estable y que garantice su funcionamiento? Pues aquí podríamos hablar largo y tendido pero tenemos la suerte de contar con DAMA, asociación a la que pertenecemos y que establece en su framework los roles precisos para la gestión de un modelo de Gobierno del Dato en una organización.

DAMA y la definición de roles

DAMA España es el capítulo español de la International Data Management Association, la principal organización internacional para profesionales de la gestión de datos. DAMA, a través de su framework, establece muchos roles recomendados y que pueden participar en las actividades de gestión de datos.

Se establecen roles individuales como CDO (Chief Data officer), Data Steward o Data Custodian, e incluyen todos los perfiles técnicos como Data Model, Data Architect o Data Security.

A su vez, también se establecen roles híbridos, estos requieren una combinación de conocimientos técnicos y de negocio. Dependiendo de la organización, las personas en estos roles pueden informar a través del departamento de IT o de Business Intelligence.

Son roles como Data Quality Analyst, Metadata Specialist, Business Intelligence Architect, Business Intelligence Analyst y Business Intelligence Program Manager. Como podéis ver por su definición, todos tienen relación directa con el desarrollo de negocio.

Cada uno de los roles definidos en el framework de DAMA disponen de las funciones que deben desarrollar para asegurar el buen funcionamiento del Gobierno del Dato en una compañía. Te dejo todos los roles definidos y sus funciones en el siguiente enlace ?:

Descargar

Pero claro, no en todas las compañías se tendrán que definir todos los perfiles por lo que, se deberá priorizar, en base a las necesidades de la compañía, que perfiles se establecen y a qué personas les son asignados.

Y ahora… ¿cómo nos ponemos en marcha?

Una vez los roles han sido asignados podremos establecer grupos de trabajo que nos permitan entender, desde diferentes perspectivas, las necesidades de la compañía y que estas sean compartidas entre todos los usuarios.

Bajo mi experiencia, es muy recomendable crear dos grupos de trabajo diferentes dentro del modelo del Gobierno del Dato en una compañía.

El primero de ellos un Grupo de Gobierno del dato, liderado por el CDO, que permita llevar a cabo acciones seguimiento y mejora continua. Este grupo debe incluir expertos técnicos, comerciales, marketing y diversos roles de la compañía que nos permitan conocer los intereses y necesidades en materia de dato de toda la compañía. Se establecerá una estructura que permita asegurar la correcta gestión del ciclo de vida del dato, es decir, actuar durante todas sus fases a través de los diferentes roles asignados en la compañía.

El segundo de ellos es el Grupo de Calidad de datos. La calidad de los datos es sinónimo de calidad de la información de la compañía. No disponer de un proceso de análisis de calidad de los datos implica costes extra en las compañías, información inexacta y, por consiguiente, bajo rendimiento en el negocio. Por tanto, será conveniente que exista un Comité que desarrolle los procesos que permitan medir, monitorizar, controlar e informar sobre la calidad de los datos, y que esta información sea accesible con la finalidad de poder tomar medidas correctivas en tiempo y forma.

Conclusiones 

Aunque el objetivo será el de extender un modelo de Gobierno de Datos en toda la compañía es recomendable empezar con pequeños pasos que nos permiten ir avanzando en el establecimiento del modelo de Gobierno.

Los Grupos de trabajo serán el motor que favorezca el cambio cultural hacia la calidad de dato, haciendo ver a la compañía la importancia de disponer de una buena calidad en los datos y de unos correctos sistemas de gestión y control de los mismos.

Para ello será importante crear métricas que nos permitan medir tanto la calidad de los datos de la compañía, como las acciones que se realizan con la finalidad de cuantificar el éxito del establecimiento del modelo de Gobierno de Datos en la compañía.

Por último, recuerda que no existe un modelo de Gobierno de Datos único y compartido, sino que éste tiene que ser adaptado a las necesidades a corto, medio y largo plazo de tu compañía en materia de gestión de datos. Y que, será imprescindible la involucración de diferentes perfiles que nos permitan conocer, desde diferentes puntos de vista, el estado y las necesidades de todas las áreas de la compañía.

¿Quieres conocer más detalles?

Hemos preparado una infografía que puede ayudarte en la identificación de los roles que hemos mencionado en este post. A través del siguiente enlace podrás acceder a ella:

Descargar

En sumamoOs desarrollamos y acompañamos en la implantación de modelos de Gobierno del Dato, adaptados al tamaño de tu compañía y entendiendo las necesidades y objetivos de tu empresa a corto, medio y largo plazo en materia de gestión de datos. De modo que, si quieres averiguar más detalles, puedes  echar un vistazo aquí o  contactar con nosotros  para conocer cómo implantar un modelo de Gobierno del Dato asegurando que los datos son gestionados correctamente. 

Modelos de Scoring o cómo categorizar científicamente a mis clientes

Modelos de Scoring o cómo categorizar científicamente a mis clientes

¡Hola de nuevo! En el pasado post que os dejo por aquí hablábamos de la importancia de tener una metodología de machine learning para la implantación de proyectos paso a paso de este tipo en una compañía.

Entre los 5 casos más comunes de aplicación de modelos de machine learning en la empresa comentamos uno que tiene un impacto directo sobre el negocio y sobre el que hablaremos a continuación; los modelos Scoring.

Estos son modelos utilizados, en su gran mayoría, en marketplaces y e-commerce con el objetivo de poder categorizar clientes y poder mejorar el marketing de la compañía. Pero también son usados en aseguradoras, banca y son aplicables a cualquier sector. En definitiva, es un indicador que nos va a determinar como de bueno o malo son nuestros clientes.

Pero la verdad es que categorizar a clientes es complicado y me recuerda al cruce de Shibuya, muchos usuarios, muchos clientes y todo muy diferentes… entonces, ¿cómo categorizo correctamente a cada uno de ellos? El problema viene en muchas ocasiones cuando las compañías categorizan a sus clientes de una manera artesanal, bajo su experiencia o conocimiento sobre los mismos, y sin tener en cuenta todas las variables que pueden influir en que un cliente sea mejor que otro.

Entonces es aquí es donde yo me pregunto, ¿es posible categorizar a mis clientes de manera científica basada en datos? Déjame decirte que sí, se puede, y además te invito a que lo veamos juntos ?

¿Qué modelos scoring existen? 

Existen diferentes modelos para el desarrollo de un indicador scoring para una compañía. Modelos estadísticos que nos permiten obtener resultados de forma rápida o modelos de machine learning más complejos que precisan de un entrenamiento y mayor esfuerzo.

Entre estos modelos más sencillos de implementar podemos encontrar dos que pueden ayudarnos a conseguir nuestro objetivo de obtener un indicador de scoring para nuestra compañía.

El primero de ellos es el modelo DEA (data envelopment análisis) a través del cual podemos conocer si un cliente es eficiente en función de diferentes factores. Este modelo tiene la peculiaridad de que todas sus variables han de ser definidas en función de si dependen de manera directa o indirecta de nuestro cliente.

Por otro lado tenemos el modelo GEI (global entrepreneurship Index) que se trata de un modelo que inicialmente se utilizó para ordenar países en cuanto a su índice de emprendimiento y que ha demostrado grandes capacidades para la aplicación en este tipo de indicadores de clasificación. Este es un modelo que tiene diferentes fases que se van adaptando para la solución del problema.

Seleccionar un modelo u otro será en función de las variables que vayan a conformar nuestro problema y de su posible categorización. Un vez seleccionado el, o los modelos a testear, pasaremos al desarrollo e implementación fase a fase.

¿Cómo abordo un modelo de scoring? 

Para que la búsqueda e implementación de un modelo scoring no sea una odisea puedes seguir una serie de pasos que te indico a continuación:

Primera fase: Análisis del problema y definición de variables

  • Se trata de una fase de investigación del problema para entender cómo debemos plantear nuestro modelo de scoring. En esta primera fase se definen que factores influyen en que un cliente sea bueno o no. Un vez encontrado, definimos finalmente las variables que formarán parte de nuestro indicador de scoring. Podríamos utilizar herramientas como Power BI o Tableau, que nos aportan una facilidad en cuanto a visualización, para comprobar cómo se comportan las variables y cómo influyen en nuestro problema.

Segunda fase: Análisis del problema y definición de variables

  • En esta segunda fase, y con las variables ya definidas, buscamos modelos afines al planteamiento de nuestro indicador. En esta fase podemos definir tantos modelos como creamos que dan solución a nuestros problema utilizando como mínimo 2 para comprobar el resultado entre ambos.

Tercera fase: Programación y testing de modelos desarrollados

  • En esta última fase desarrollamos la solución y la adaptamos a las variables que formarán parte de nuestro modelo. Para la fase podremos utilizar un dataset aleatorio para comprobar que el modelo nos devuelve un resultado y posteriormente aplicar nuestro dataset real.

¿Beneficios que aporta categorizar bien a mis clientes? 

Disponer de un modelo scoring basado en datos en la compañía nos va a permitir conocer, de una manera científica, a nuestros clientes. Esto nos permitirá categorizarlos objetivamente a nuestros clientes, conocer quienes aportan valor a la compañía y qué otros deberíamos mejorar. A su vez, podríamos realizar acciones de marketing destinadas a cada segmento de cliente, en función de su posición de scoring, que nos permitirían mejorar la posición de cada cliente en la compañía.

Por otro lado, una categorización de clientes científica es en muchas ocasiones necesaria a nivel legal para poder explicar el comportamiento de algoritmos que evitan el sesgo en la propia categorización y nos evitan problemas legales.

Y por último, nos servirá a la compañía para evitar creencias basadas en el conocimiento de la empresa y poder tomar decisiones basadas en datos.

¿Quieres conocer más detalles?

En sumamoOs desarrollamos y acompañamos en la implantación de modelos estadísticos y modelos de machine learning, entendiendo las necesidades de tu empresa y el valor aportado directamente al negocio para que puedas aprovechar el potencial de estos algoritmos. De modo que, si quieres averiguar más detalles, puedes  echar un vistazo aquí o  contactar con nosotros para conocer cómo transformar tu empresa empleando está creciente corriente tecnológica. 

Metodología Machine Learning. ¿Por dónde empiezo?

Metodología Machine Learning. ¿Por dónde empiezo?

El Machine Learning está en nuestras vidas y no nos damos cuenta. Y esto no lo digo yo, utilizamos Machine Learning diariamente cuando desbloqueamos nuestro móvil, recibimos recomendaciones basadas en nuestros usos en Spotify o Netflix, o incluso cuando decimos eso de “Oye Siri, ¿qué es mejor Windows o Mac?”. 

Detrás de cada una de las acciones anteriores existen modelos de Machine Learning que nos facilitan información, nos recomiendan en base a nuestros gustos, o nos permiten realizar acciones mucho más ágiles y rápidas.  

Pero lo modelos de Machine Learning no sólo han nacido para mejorar la atención al cliente, también han llegado para mejorar la operatividad de las empresas. 

Estoy seguro de que has oído hablar de modelos de Machine Learning que pueden mejorar el conocimiento de tus clientes, optimizar la gestión de stock o automatizar procesos diarios en tu empresa, ¿verdad? Pero seguro que también te has preguntado, “¿Y cómo puedo implantar yo esto en mi empresa?”. Déjame que te cuente algunos de los casos más comunes de aplicación de modelos de Machine Learning en la empresa y seguidamente te contaré como abordar un proyecto desde cero ? 

¿Cómo puede mejorar el Machine Learning mi empresa? 

Son muchísimas las aplicaciones que tienen los modelos de Machine Learning en la empresa, y que nos ofrecen grandes beneficios a corto plazo, pero existen varios proyectos en los que tienen una aplicación con una enorme repercusión en el negocio: 

  • Experiencia de usuario: En este caso se desarrollan algoritmos capaces de captar la información de los hábitos de consumo de nuestro cliente para poder realizar campañas de venta cruzada o anticiparnos y realizar recomendaciones. 
  • Automatización de procesos: Son modelos utilizados en su gran mayoría en el sector industrial. Una de sus grandes aplicaciones es el mantenimiento predictivo que consiste en poder medir la duración de una máquina para evitar roturas y cortes en la producción. También son muy utilizados en logística y distribución. 
  • Pricing: En este caso se trata de modelos que hacen posible una nueva “gestión de precios” para una compañía. Estos modelos de machine learning analizan precios de la competencia, comprueban el histórico de ventas, analizando la estacionalidad, y tarifican automáticamente respecto a los márgenes de la empresa. 
  • Lead Scoring: Se trata de modelos utilizados, en su gran mayoría, en marketplaces y e–commerce con el objetivo de poder categorizar clientes. El objetivo de estos modelos es agilizar la labor de los agentes comerciales o mejorar el marketing de la compañía. 
  • Control de datos en tiempo real: Son modelos para casos de usos muy concretos, debido a los requerimientos técnicos de los mismos, pero de gran impacto. Permiten tomar decisiones en tiempo real, gestionar posibles riegos y mitigar problemas mediante acciones proactivas. 
  • Producción Inteligente o análisis de tendencias: Se trata de modelos que tiene en cuenta una estacionalidad y que logran identificar tendencias para adelantarse a futuras ventas o stocks. Son modelos muy utilizados en campañas de grandes dimensiones como las campañas de navidad o el Black Friday. Así como en gestión de previsión de roturas de stock y en departamentos de compras. 

¿Cómo abordo un proyecto de Machine Learning en mi empresa? 

Ahora bien, una vez vista la aplicación y el gran potencial de estos modelos, ¿cómo se pueden implementar en mi empresa? Desde sumamoOs, hemos definido una serie de puntos clave y metodología a abordar a la hora de implementar un proyecto de machine learning en una empresa.  

Fase 1

Análisis y conceptualización

Fase 2

Desarrollo MVP

Fase 3

Implantación en la empresa

Fase 4

Escalado

¿Quieres saber más sobre los pasos a seguir para abordar un proyecto de machine learning en tu empresa? A través del siguiente enlace podrás acceder a la guía de los puntos clave a seguir:

Descargar

¿Quieres conocer más detalles?

En sumamoOs desarrollamos y acompañamos en la implantación de modelos de machine learning, entendiendo las necesidades de tu empresa y el valor aportado directamente al negocio para que puedas aprovechar el potencial de estos algoritmos. De modo que, si quieres averiguar más detalles, puedes  echar un vistazo aquí o  contactar con nosotros para conocer cómo transformar tu empresa empleando está creciente palanca esencial en la transformación digital de tu negocio. ue ofrece Power BI.