Cómo tener mejores conversaciones estratégicas sobre la monetización de datos

Las empresas no pueden gestionar lo que no miden. Tampoco pueden gestionar lo que no pueden discutir. Tomemos el término monetización de datos: Las definiciones van desde la estrechamente centrada “venta de conjuntos de datos” a la excesivamente amplia “creación de beneficios a partir de los datos“.

La escasa coherencia entre los planes de estudios y el exceso de liderazgo de pensamiento empresarial sólo contribuyen a la proliferación de la babel de los datos. Cuando los directivos intentan mantener conversaciones productivas sobre monetización de datos, a menudo llegan a un punto muerto. Necesitan un lenguaje sencillo y común para abrirse camino.

Data alternativa, construir una empresa financiera con el valor de los datos de tus clientes

Prueba a utilizar esta definición

La monetización de datos es la conversión de datos en beneficios financieros. En el nuevo libro Data Is Everybody’s Business, ofrecemos dos sencillos marcos de datos que representan un conjunto sencillo pero completo de productos de datos.

El primer marco ofrece tres enfoques diferentes para convertir los datos en dinero: Mejorar, envolver o vender. El segundo marco refleja tres puntos a lo largo del proceso de creación de valor de los datos. Las personas o los sistemas necesitan utilizar los datos para desarrollar una visión que sirva de base para la acción.

Si se combinan los dos marcos, se obtiene una matriz que ofrece nueve opciones de producto distintas, cada una con su propio conjunto de compromisos y resultados.

Los líderes pueden utilizar la matriz de monetización de datos para explorar las actividades actuales y las oportunidades futuras. La sencillez de la matriz puede ayudar a los directivos a ser más transparentes y abiertos a ideas innovadoras.

Explicación de los enfoques de monetización de datos: Mejorar, Envolver y Vender

Si te sentaras y empezaras a enumerar posibles formas de crear valor a partir de los activos de datos de su empresa, probablemente se le ocurrirían cientos de ideas. Sin embargo, fundamentalmente, puedes organizar sus ideas en tres categorías.

¿La idea mejora, abarata o acelera una tarea o proceso de trabajo? Si es así, se trata de un enfoque de mejora. ¿La idea hace que un producto sea más valioso para los clientes? Eso es envolver. ¿La idea identifica información por la que un cliente pagaría? Estás proponiendo vender.

Mejorar, envolver y vender son muy diferentes en términos de riesgo, propiedad y requisitos. Cuando sepas si está mejorando, envolviendo o vendiendo, podrás mantener conversaciones inteligentes sobre inversiones en datos.

Vamos a desglosar cada uno de los tres enfoques en términos sencillos, con ejemplos y preguntas que hacerse sobre cada uno de ellos.

Mejorar

A la mayoría de las empresas les resulta fácil identificar formas de utilizar los datos para hacer las cosas mejor, más baratas o más rápido. Pensemos en Femsa, una multinacional de bebidas y venta al por menor que gestiona 21 mil tiendas Oxxo en Latinoamérica.

La alta dirección de la filial de Oxxo invirtió en la creación de un método de cálculo de ingresos y costes a nivel de SKU para llegar a una medida real del beneficio. De este modo, generaron un activo de datos a partir de una gran cantidad de datos de ingresos y costes.

Con este nuevo activo de datos, la organización podía ayudar a sus empleados a comprender la rentabilidad de sus decisiones. Oxxo no sólo desarrolló un activo de datos. La empresa no tardó en utilizarlo para introducir innumerables mejoras en la gestión de tiendas.

A menudo, las empresas no consiguen establecer el tipo de responsabilidad interna que logró Oxxo. Y pierden la oportunidad de que la eficiencia se materialice en beneficios económicos.

Las conversaciones sobre la mejora con datos deben explorar quién en la empresa puede impulsar el cambio en el lugar de trabajo y cómo apoyarle. Haz estas preguntas:

• ¿Quién tiene la experiencia necesaria para hacer que una mejora sea viable, atractiva y escalable?
• ¿Quién más o qué más se necesita para reducir o reasignar los recursos no utilizados a actividades que repercutan en los resultados?
• ¿Tiene la empresa la voluntad y la capacidad de medir y hacer un seguimiento del impacto financiero de las mejoras?

IA para todos, así es como las pymes pueden usar el small-data

Envolver

Casi cualquier producto puede envolverse. Un tractor puede envolverse con una pantalla digital que muestre el rendimiento operativo. Una cuenta bancaria puede envolverse con un gráfico que clasifique los gastos del titular de la cuenta.

Considera las iniciativas de envoltura cuando los productos se estén convirtiendo en productos básicos. O también cuando los productos puedan mejorarse utilizando nuevos tipos de datos a través de sensores, aplicaciones móviles o fuentes de vigilancia.

Las conversaciones envolventes se centran en el cliente: ¿Cómo puede la empresa utilizar los datos para ayudar a los clientes a adquirir, utilizar o retirar mejor su producto?

¿Cómo puede utilizar los datos para ayudar a sus clientes a ganar dinero, ahorrarlo o alcanzar mejor sus objetivos? Estas conversaciones deben incluir al propietario del producto que se está mejorando. Esto es porque es la persona encargada en última instancia de monetizar una envoltura.

¿Cómo se evaluará, controlará y gestionará el envoltorio como parte de los procesos de gestión y desarrollo de productos de la empresa? ¿Cómo garantiza la empresa que el envoltorio satisfaga a los clientes en lugar de decepcionarlos?

Vender

Una organización puede sentirse atraída por los mayores márgenes que parece prometer la venta de información. Pero es importante entender que este enfoque también conlleva los mayores riesgos. Empresas como Healthcare IQ, LexisNexis y Verisk han aprendido a resolver problemas especializados utilizando sus activos de datos después de décadas de inversión en plataformas tecnológicas.

El quid de cualquier conversación sobre ventas es si merece la pena invertir en un nuevo modelo de negocio. ¿Quién tiene en la empresa las competencias y la experiencia necesarias para dirigir un negocio de información?

• ¿Cómo puede establecerse, protegerse y alimentarse la iniciativa de venta mientras gana tracción?
• ¿Cómo puede la empresa identificar los mercados que desean soluciones basadas en sus datos?
• ¿Puede la empresa saber cuánto cobrarles y cómo mantener la rentabilidad frente a la competencia?

Explicación de los puntos del recorrido de creación de valor: Datos, conocimiento y acción

Para crear realmente valor a partir de los datos, las organizaciones necesitan que una persona emprendan una acción. Una empresa puede contribuir a ello de tres maneras.

En primer lugar, puede proporcionar datos a alguien (o a un sistema) que los utilice para obtener información y emprender acciones que generen beneficios.

Mejor aún, una empresa puede dar una visión directamente al consumidor, que entonces tiene que elegir la acción apropiada. O, adoptando un enfoque aún más activo, una empresa puede desencadenar o incitar a la acción, y el consumidor ve los resultados sin tener que hacer mucho.

Los directivos deben comprender dónde y cómo debe participar la empresa en el proceso de creación de valor de los datos. Además de considerar las compensaciones correspondientes.

Regular el fenómeno de la IA: David Hardoon de Aboitiz Data Innovation

Datos

Ofrecer datos implica poner datos nuevos o mejores en manos de alguien que ejecuta parte de un proceso. Alguien que utiliza un producto existente o un cliente totalmente nuevo.

A la hora de ofrecer datos, considere si el destinatario sabrá a partir de ellos qué acción debe emprender para generar valor. ¿Se tomará alguien el tiempo necesario para convertir ese valor en dinero?

Perspectiva

Ofrecer información, por regla general, implica analizar o contextualizar datos. Utilizando los mismos ejemplos anteriores, se podría comparar la velocidad de una máquina con los estándares, la probabilidad de que un paciente padezca determinadas afecciones médicas o una comparación del comportamiento electoral en distintos códigos postales.

Las conversaciones sobre insight debaten los comportamientos de los consumidores y requieren una experiencia excepcional en la materia. Su equipo querrá conocer bien qué preguntas suelen hacer los consumidores a los datos y cómo las hacen.

Tu empresa también necesitará un buen conocimiento del mercado competitivo y de las últimas plataformas analíticas. ¿Qué necesitan saber exactamente los consumidores y por qué razón?

Acción

Ofrecer una acción provoca comportamientos específicos o automatiza tareas. Los ejemplos incluyen la automatización de la programación del servicio de la máquina para evitar el tiempo de inactividad del equipo.

Aquí hay que tener cuidado. La acción siempre parece ser un lugar ideal para participar en la monetización de datos. Esto porque posiciona a la empresa más cerca de la creación de valor, con una alta probabilidad de influir en ella.

Sin embargo, los líderes deben analizar detenidamente si tienen las capacidades, los derechos y la confianza para ofrecer la acción. ¿Deseas el consumidor que la empresa emprenda una acción en su nombre, y sería eso legal?

Los líderes pueden ofrecer datos, información o acciones utilizando cualquiera de los tres enfoques de monetización de datos (mejorar, envolver, vender).

La matriz de monetización de datos: Ejemplos en acción

Para ayudar a un equipo a evaluar las posibles opciones, utiliza la matriz de monetización de datos para enmarcar el debate. Explora estos ejemplos del mundo real que una empresa podría abordar y cómo la matriz ayuda a explicar las opciones.

Empecemos con un ejemplo mejorable. Consideremos una organización que dispone de un activo de datos sobre el rendimiento de los empleados que incluye evaluaciones de empleados, perfiles de habilidades e historiales de reconocimiento.

Los líderes creen que el desarrollo del talento podría mejorarse utilizando estos datos para ayudar a los supervisores a recompensar el buen rendimiento.

Data lakes, la razón por la que debes cuidarte de la versión gratuita de ChatGPT

¿Cómo podría funcionar un modelo basado en datos de rendimiento?

Un producto de datos basado en los datos de rendimiento de los empleados podría dar a los supervisores acceso directo a estos datos. Junto con algunas funciones que les permitan clasificarlos y seleccionarlos.

Un producto de información podría proporcionar a los supervisores información analizada y contextualizada sobre el rendimiento. Por ejemplo, un cuadro de mando que identifique qué empleados rindieron por encima o por debajo de las expectativas estándar. Los supervisores podrían utilizar esta información para dar su opinión y supervisar el progreso.

Un producto de acción podría enviar automáticamente una bonificación y un certificado de reconocimiento a los colaboradores que superen las expectativas.

Un ejemplo que quita el peligro del camino de los pacientes usando la data

Consideremos ahora las oportunidades de envoltura en una organización que tiene un dispositivo que recopila lecturas históricas de azúcar en sangre. El propietario del producto cree que si los pacientes obtuvieran más beneficios del dispositivo, su precio podría aumentar.

Un producto de datos añadiría una visualización de las lecturas históricas diarias del nivel de azúcar en sangre del paciente. Se espera que el paciente vea patrones y obtenga información sobre cómo controlar mejor su glucemia.

Un producto de información mostraría los niveles recientes de azúcar en sangre del paciente en relación con los estándares establecidos para su grupo de edad/género. Los pacientes tendrían que aprender a utilizar esta información para comportarse de forma diferente.

Un producto de acción enviaría al paciente una alerta para que tome su tentempié de manzana de media mañana en los próximos 15 minutos.
Por último, repasemos las oportunidades que una cadena de supermercados podría investigar en la columna de ventas.

Esta empresa tiene un activo de datos de ventas que consiste en datos de compra y otra información específica del cliente. Esto se resume en fidelización.

Otro ejemplo sobre datos y análisis de compra

Una cadena puede desarrollar un producto de datos que proporcione información sobre los artículos escaneados en la caja.

Esos datos, junto con un análisis del historial de compras de los clientes, pueden ser la base de un producto de información que la empresa puede vender a organizaciones que deseen información sobre tendencias en los hábitos alimentarios.

En la caja de acciones, el equipo podría crear un algoritmo de venta cruzada. Esta podría sugerir automáticamente compras adicionales a los consumidores, y cobrar a los fabricantes que participen en el programa.

Toma nota: las oportunidades de monetización de datos no tienen por qué fluir en línea recta a través de la matriz. Es posible que haya que dar la vuelta a las conversaciones.

Por ejemplo, los responsables de la cadena de supermercados podrían decidir que no es atractivo monetizar vendiendo. En su lugar, podrían querer entablar conversaciones sobre cómo utilizar el activo de datos de ventas de la empresa para mejorar las operaciones.

O las presiones de la mercantilización podrían llevarles a explorar cómo envolver los productos y servicios de alimentación existentes.

Data Analytics vs. Data Science: ¿Cuál necesitas?

4 formas de mejorar su estrategia y monetizar los datos

Como muestran estos ejemplos, puede utilizar la matriz 3×3 para mantener conversaciones más eficaces sobre la estrategia de monetización de datos. Para mejorar continuamente, considera la posibilidad de utilizar la matriz de estas cuatro maneras.

1. Realiza un inventario aproximado de sus iniciativas cruciales relacionadas con los datos e introdúzcalas en la matriz

Preguntas clave

¿Ha intentado mejorar, envolver y vender? ¿O sólo mejorar? ¿Ha ofrecido productos de datos, información y acción? ¿O sólo productos de datos?

Puede que descubras que tus actividades se centran en mejorar con datos. Si es así, inicia conversaciones sobre cómo evolucionar hacia la envoltura o la venta, o hacia el conocimiento y la acción.

2. Utiliza la matriz como punto de referencia

De vez en cuando, pregúntate si estás ampliando su repertorio de enfoques de monetización de datos.

Preguntas clave

¿Se está extendiendo la actividad de monetización de datos desde sectores de la organización a partes más amplias de la empresa? ¿La monetización de datos sigue el ritmo de los objetivos y logros de la transformación digital? ¿Los esfuerzos de monetización de datos cuentan con la responsabilidad, la financiación y el apoyo adecuados?

3. Buscar oportunidades para reutilizar y recombinar los activos de datos

Preguntas clave

¿Se utilizan los mismos activos de datos en toda la matriz o sólo en una celda, fila o columna? ¿Requieres cada oportunidad de monetización de datos nueva preparación, permisos y aprovisionamiento de datos?

Si es así, considera cómo pueden convertirse los datos en activos de datos líquidos que puedan reutilizarse ampliamente en muchos esfuerzos de monetización de datos.

4. Identificar los espacios libres en la matriz

Preguntas clave

¿Las celdas vacías representan oportunidades ocultas? ¿O son los espacios vacíos inalcanzables por alguna razón, como la falta de capacidades empresariales, habilidades o conexiones con los clientes?

Todas las empresas necesitan una estrategia de monetización de datos, pero crear, compartir y ejecutar la estrategia puede estar plagado de malentendidos y resistencias.

La solución no son más datos ni más IA, sino una mejor comunicación. Si los líderes consiguen que sus equipos se pongan al día sobre la matriz, animarán a la gente a entablar conversaciones productivas y se pondrán en marcha para gestionar la estrategia de monetización de datos adecuada de la forma correcta.

SOBRE LOS AUTORES

Barbara H. Wixom es investigadora científica principal del Centro de Investigación de Sistemas de Información (CISR) del MIT. Cynthia M. Beath es profesora emérita de la Universidad de Texas e investigadora colaboradora del CISR del MIT. Leslie Owens es investigadora del sector en el CISR del MIT. Son autoras de Data Is Everybody’s Business (MIT Press, 2023).

Síguenos en Google News