La colaboración que rinda frutos entre los equipos de analítica y de operaciones comerciales requiere de una nueva estructura organizacional.
Por Roger W. Hoerl, Diego Kuonen y Thomas C. Redman
Mucho se ha escrito sobre la gran cantidad de proyectos fallidos en materia de ciencia de datos. Los equipos de este ámbito suelen tener problemas para trasladar sus conocimientos y algoritmos a los procesos comerciales. Al mismo tiempo, a la plantilla comercial le cuesta articular los problemas que necesita resolver y, además, tiende a ignorar su rechazo cultural a la ciencia de datos.
Existe una tensión estructural de diseño entre los grupos comerciales y de analítica que debe reconocerse y abordarse. Los problemas estructurales exigen soluciones estructurales, y nosotros consideramos que se puede tender un puente entre ellos y la ciencia de datos: una estructura organizacional y un compromiso de liderazgo para desarrollar una mejor comunicación, procesos y confianza entre todas las partes interesadas.
Para comprender los desafíos que esto supone, utilizamos la metáfora de una fábrica (que representa a cualquier tipo de operación comercial) y un laboratorio de ciencia de datos (como investigación y desarrollo). La “fábrica” podría ser literalmente una fábrica, pero también podría ser una operación comercial que toma decisiones sobre solicitudes de hipotecas, lee resonancias magnéticas o perfora pozos petroleros. Los objetivos de la fábrica podrían incluir cumplir los planes de producción y mantener abajo los costos unitarios. El lema de estas operaciones es estabilidad: sin grandes interrupciones y pocas sorpresas.
Los gerentes trabajan muy duro para establecer y mantener dicha estabilidad, por lo que, naturalmente, se resisten a todo aquello que la amenace. Una excepción importante es que los buenos gerentes de fábrica apoyan las mejoras graduales siempre y cuando se alcance rápidamente una estabilidad en otro nuevo nivel y se lleve a cabo dentro de la fábrica. A estos esfuerzos los llamamos proyectos de small data.
Por otro lado, el laboratorio de datos está diseñado específicamente para interrumpir los procesos de la fábrica. Su trabajo es encontrar mejoras más ambiciosas que aquellas que se realizan a partir del small data, cambiar la forma en que se toman las decisiones y crear nuevos productos que superen a los antiguos; todo esto atendiendo problemas más grandes, complejos, no estructurados y ricos en datos. El laboratorio representa la antítesis de la estabilidad, ¡exactamente el tipo de cosas que los gerentes de fábrica odian!
Se espera que exista cierta fricción entre departamentos. A los gerentes de fábrica no les gusta que nadie interfiera en las finanzas cuando afectan las prácticas contables o les molestan las modificaciones de recursos humanos cuando les exigen mejoras en su sistema de evaluación de empleados. Pero son sólo eso, meras molestias, no cambian la forma en que la fábrica realiza fundamentalmente su trabajo principal. En contraste, desde el laboratorio tenemos un ataque frontal y constante que interrumpe todas las actividades. En algunas empresas, esta tensión se ha vuelto tan tóxica que ha dado lugar a dos reglas informales en la fábrica: “Nunca pidan ayuda al laboratorio” y “Si el laboratorio ofrece ayuda, rechácenla”.
La tensión se genera a partir de un diseño empresarial tradicional
Para muchas compañías, se genera valor al separar las operaciones comerciales del equipo de datos: fomentar la estabilidad de las operaciones mantiene bajos los costos, y alentar el trabajo revolucionario a largo plazo por parte del equipo de datos es esencial para fomentar la innovación y el éxito a futuro. Pero establecer objetivos tan divergentes puede crear tensiones con consecuencias graves.
Si no hay comunicación, se dificulta identificar qué áreas requieren más innovaciones y una mala comunicación, puede paralizar los procesos mediante los cuales se aprovechan las invenciones del laboratorio. Con el tiempo, la fábrica va quedando rezagada a medida que se acumulan las posibles innovaciones. Los competidores más ágiles intervendrán en el negocio y los mejores científicos de datos se marcharán en busca de oportunidades donde aprecien su trabajo. Esta tensión es inevitable: su raíz radica en el diseño empresarial que mantiene a estas áreas separadas.
Thomas Edison merece el crédito, pues se le adjudica haber inaugurado el primer laboratorio de investigación industrial del mundo en Menlo Park, Nueva Jersey, a fines del siglo XIX. Edison se concentró en inventar la siguiente generación de productos y servicios; así que, parece haber notado que la incorporación de recursos de laboratorio en una fábrica, donde habría distracciones de las responsabilidades de producción diarias, no funcionaría.
Como observamos, en las organizaciones que lo han intentado, los recursos de laboratorio internos rápidamente se involucran en problemas de estabilidad cotidianos, interrumpiendo así sus esfuerzos por generar innovaciones reales. Por el contrario, cuando se separan el laboratorio y la fábrica, el primero suele aislarse y se convierte en una especie de torre de marfil.
Edison pudo mitigar la tensión porque dirigió el laboratorio y, al mismo tiempo, controlaba la fábrica, pero para la mayoría de empresas desde entonces, esta tensión continua nunca se ha resuelto de manera adecuada.
Compartimos esta historia para señalar un punto importante: la tensión entre las operaciones comerciales y los equipos de analítica no se originó con el surgimiento de la ciencia de datos. Por el contrario, estos laboratorios se han visto envueltos en una batalla no resuelta desde hace tiempo. Según nuestras conversaciones con expertos como Tom Davenport (Babson College), Blan Godfrey (Universidad Estatal de Carolina del Norte), Ron Kenett (Universidad de Jerusalén) y Ron Snee (Snee Associates), esta fricción se acepta y reconoce tácitamente en todas las industrias, tipos de empresas y partes del mundo.
Entonces, ¿qué es lo diferente ahora? El auge de la analítica ha cambiado las reglas. Existe una necesidad por tomar mejores decisiones, hacer mejores procesos, implementar mejoras de productos y servicios, generar ganancias a través de la eficiencia y mantener los costos reducidos. En el laboratorio, el gran volumen de datos potencialmente útiles y de personas calificadas para analizarlos ha aumentado considerablemente. Resolver la tensión es más urgente y representa más beneficios que nunca.
Una solución: tender puentes hacia la ciencia de datos
Como señalamos antes, los problemas estructurales requieren soluciones estructurales. La solución que proponemos es que los corporativos trabajen para crear un puente hacia la ciencia de datos. Para continuar con la metáfora fábrica/laboratorio, imagina que la fábrica y el laboratorio se encuentran en orillas opuestas de un río. Un puente cruza el río y conecta los dos para resolver algunas tensiones fundamentales y así permitir la introducción de más innovaciones basadas en la analítica, las cuales resultarán más útiles para la fábrica.
Un puente hacia la ciencia de datos debería tener cuatro responsabilidades principales:
Ejemplos de quienes ya han tendido este puente se pueden encontrar en el proceso de transferencia tecnológica que conectó a Bell Labs y a AT&T hace una generación, en procesos más genéricos (datos, descubrimientos, entregas) y en los traductores analíticos que se encuentran entre las empresas técnicas y las comerciales.
Elegir al líder del puente, quien quizá ostente el título de jefe de innovación, es la decisión más importante de esta estrategia. Esta persona no puede ser sólo un gerente experto o el científico de datos más talentoso. Tom Davenport y Wayne Eckerson han descrito la necesidad de contar con “gente púrpura”, refiriéndose a personas que son muy respetadas tanto por la fábrica (rojo) como por el laboratorio (azul). Para ser eficaz, esta persona debe informar al director ejecutivo y tener la financiación adecuada para patrocinar proyectos de mejora que requieran innovaciones de laboratorio.
Sin financiamiento y comunicación directa al CEO, el puente se convertirá en una área pasiva que ofrece consejos o, peor aún, en un “policía malo” que critica el trabajo tanto del laboratorio como de la fábrica y a la cual todos odian. El líder del puente debe estar en pie de igualdad con los líderes del laboratorio y de la fábrica.
Para construir un puente sólido y sostenible, hay varias preguntas que las empresas deben hacerse. Un punto de partida es llegar a un acuerdo sobre una definición operativa de ciencia de datos, analítica o el nombre que tenga el laboratorio; éstas varían mucho, por lo que definir los términos es importante para permitir un diálogo productivo. Otras preguntas preliminares incluyen las siguientes:
• ¿Qué proyectos de laboratorio actuales se beneficiarían más si tuvieran mejores conexiones comerciales y que además puedan servir como casos de prueba para el puente?
• ¿Quién debe integrarse primero desde la fábrica y desde el laboratorio?
• ¿Hay candidatos para liderar el puente en la fábrica o en el laboratorio que sean lo suficientemente respetados por la otra área como para ser efectivos?
• ¿Cómo alineamos el puente con los intereses estratégicos de la empresa?
Primero pasos: los puentes de madera llevan a puentes de acero
En muchos casos, el líder del laboratorio de datos tiene más que ganar y podría ser el jugador que se acerque al líder de la fábrica para iniciar el diálogo. Al principio, puede ser suficiente un puente colgante o un conector informal entre el laboratorio y la fábrica. Los líderes de mente abierta toman la iniciativa para discutir el concepto, a través de los límites empresariales, y dirigirse a los altos mandos con propuestas específicas. (Deben seguir el principio de brindar soluciones en lugar de problemas).
Los gerentes de nivel inferior y los recursos técnicos tampoco necesitan esperar instrucciones de arriba. Proponemos que identifiquen zonas dentro de sus propias áreas, donde la tensión entre el laboratorio y la fábrica está inhibiendo el progreso. Pueden iniciar un diálogo para discutir cómo fomentar una mejor cooperación, pues hablar sobre cómo abordar las tensiones también representa un buen inicio para construir un puente más firme.
Finalmente, para lograr una solución sostenible, las instrucciones de arriba deben cruzarse con las instrucciones de abajo, y para ello se requiere una solución estructural; es decir, crear el puente de manera organizacional: nombrar a un ejecutivo para liderar el proyecto y financiar la iniciativa. Sólo el CEO puede tomar esta decisión.
Este es el momento de actuar
La competencia en analítica, incluida la lucha por recursos calificados, nunca ha sido tan feroz como hoy. Los científicos de datos frustrados pueden irse -y de hecho lo hacen- hacia terrenos más fértiles, llevando su talento a un lugar donde se aproveche mejor. Si bien se han realizando numerosos esfuerzos para alinear mejor los procesos de ciencia de datos con las operaciones comerciales, creemos que no serán suficientes porque no se han sustentado en un diagnóstico adecuado de las causas fundamentales del problema.
Sólo adoptando estrategias estructurales para abordar la fricción tan arraigada, las empresas pueden esperar cosechar todos los frutos de sus inversiones en ciencia de datos. Proponemos que establecer un puente hacia la analítica -inspirado, pero no completamente elaborado por otros autores- es el paso más lógico para avanzar.
Sin duda, este es el momento de actuar. Los líderes tienen una oportunidad única de resolver una tensión debilitante y que antes no se reconocía, encausando así sus iniciativas de ciencia de datos hacia un camino nuevo y más productivo.
Artículo traducido por Elvira Rosales Abundiz, a partir de: https://sloanreview.mit.edu/article/to-succeed-with-data-science-first-build-the-bridge/
Acerca de los autores
Roger W. Hoerl (@rogerhoerl) enseña estadística en el Union College en Schenectady, Nueva York. Anteriormente, dirigió el laboratorio de estadística aplicada en GE Global Research.
Diego Kuonen (@diegokuonen) es director de Statoo Consulting, una consultora con sede en Suiza, y es profesor de ciencia de datos en la Escuela de Economía y Administración de la Universidad de Geneva.
Thomas C. Redman (@thedatadoc1) es presidente de Data Quality Solutions, una consultora con sede en Nueva Jersey, y coautor de The Real Work of Data Science: Turning Data Into Information, Better Decisions, and Stronger Organizations (Wiley, 2019).