Los 6 pilares del líder centrado en los datos

Por Manu Carricano

En Esade, hemos dedicado esfuerzos a adaptar contenidos de la ciencia de datos a públicos empresariales en distintos niveles de jerarquía.

¿Cómo transforman los datos a los líderes? Las lecciones que hemos aprendido durante el proceso pueden resumirse en seis conceptos destacados, tal como se muestran en el diagrama de Venn que figura a continuación:

Data-driven leaders

1. Ciencia

El primer pilar, y el más fundamental, es la ciencia. En suma, razonar con datos significa aplicar un método científico a la resolución de problemas; en otras palabras, crear modelos. En estadística, enseñamos a nuestros estudiantes que un buen modelo es un modelo parsimonioso: el menor número de parámetros que explica la mayor parte de la variable de un fenómeno específico.

Razonar con datos significa aplicar un método científico a la resolución de problemas

Aplicada a los negocios, una mentalidad científica obliga a los directivos a centrarse en las partes esenciales del dominio que desean cubrir (datos esenciales, principales KPI y motores, etc.), así como en el método más eficiente para generar resultados prácticos.

Un líder en datos debe ser decisivo al establecer el orden en los modelos a seleccionar e implementar, definiendo una hoja de ruta clara para diseñar productos de datos que se centren en mejorar la toma de decisiones y aprovechando, por ejemplo, la optimización y automatización a escala.

2. Escepticismo

La mentalidad científica consta de dos rasgos relacionados: escepticismo y serendipia. El escepticismo procede directamente de lo que conocemos como duda cartesiana, basada en la obra de René Descartes, que distinguió el conocimiento puro (scientia) de los grados menores de convicción (persuasio). Por lo tanto, la duda es la verificación de lo que es cierto.

Un líder en datos debe observar la verdad absoluta a través de una lente de escepticismo

Atrapado en un aluvión de datos y percepciones, un líder en datos debe observar la verdad absoluta presentada como conocimiento a través de una lente de escepticismo. Debe ser consciente de los sesgos existentes y recurrir a una cultura de datos sólida para verificar métodos y resultados. Finalmente, el escepticismo también está relacionado con el concepto de Popper de la refutación, que es crucial en cualquier proceso científico deductivo.

3. Serendipia

La ciencia no solo tiene que ver con la racionalidad; la historia está repleta de grandes descubrimientos científicos que ocurrieron por casualidad. Pero, ¿fueron solo coincidencias?

Obviamente, hace falta algo más que estar en el lugar adecuado en el momento justo. La mentalidad de descubrimiento en la ciencia se basa en un conocimiento del dominio preexistente, una mentalidad inquisitiva que lleva a cuestionarse lo que otros expertos verían como una anomalía o un valor atípico, y un poco de creatividad para encontrar nuevas respuestas a viejos problemas.

Por lo tanto, los líderes en datos tienen que esforzarse para alinear las estrellas del descubrimiento en un proceso estructurado en que son fundamentales los diseños y las medidas experimentales. Este proceso permite que las organizaciones aprendan continuamente a través de ciclos de ensayo-error-éxito, lo que fomenta una cultura tolerante a los fallos.

4. Estrategia

Un líder también tiene que ser el catalizador de la transformación de la organización. Esto sugiere dos cosas:

  • La formulación y comunicación de una estrategia de datos, que defina claramente las opciones elegidas en términos de gobernanza, arquitectura, pila analítica, personas y culturas.
  • La capacidad de replantearse la estrategia corporativa de una forma compatible con los datos. Una estrategia debe expresarse como reglas simples (K. Eisenhardt, HBR) que sugieran una serie clara de alternativas y escenarios.

En la era de los datos, por ejemplo, estas reglas pueden programarse para transmitir prescripciones a la capa de ejecución. La estrategia también está relacionada con riesgos asumidos y grandes decisiones, que con frecuencia están dominadas por la cultura favorable a la opinión de la persona con el mayor salario (highest paid person's opinion, HiPPO). La estrategia, en cualquier caso, debe complementarse con capacidades de simulación e indicios más sólidos.

Los líderes en datos deben ser capaces de vislumbrar la luz en un mundo volátil e incierto

Finalmente, la estrategia se basa en una perspectiva de futuro. Los líderes en datos deben ser conscientes del contexto. En otras palabras, deben ser capaces de vislumbrar la luz en un mundo volátil e incierto a través de la correlación, por ejemplo, entre datos externos y la medida del rendimiento interno. Esto es importante por dos motivos: en primer lugar, porque el contexto está fuertemente relacionado con el rendimiento de la empresa y, en segundo lugar, porque los cambios en el entorno deben estar relacionados con modelos más locales. 

El aprendizaje automático es excelente en dominios limitados, pero no funciona en entornos de aprendizaje cambiantes. La conexión de datos externos/contextuales a modelos locales restringidos es uno de los factores de éxito en el escalado de las capacidades del aprendizaje automático.

5. Escalabilidad

La estrategia define las directrices, pero el líder en datos también tiene que determinar la cadencia de la transformación. ¿Cómo se organiza la transformación basada en datos? En este contexto intervienen varias habilidades. En primer lugar, el líder en datos debe proporcionar una valoración documentada y realista de la madurez analítica actual de su organización.

Demasiadas empresas tienen la costumbre de embellecer la realidad cuando se trata de TI y datos

Demasiadas empresas tienen la costumbre de embellecer la realidad cuando se trata de TI y datos. En segundo lugar, al planificar la transformación, el líder en datos debe definir objetivos ambiciosos en términos del estado futuro –el final de la hoja de ruta– y las vías de aceleración que se han seguido para cumplir este objetivo.

En demasiados casos, las hojas de ruta de transformación se consideran incrementales, cuando en realidad podrían definirse como exponenciales.

Por ejemplo, en la fijación de precios –el tercer caso de uso de datos masivos, después del fraude y el IoT (O'Reilly, 2016)– muchas empresas experimentan dificultades para pasar de un nivel descriptivo a métodos predictivos que impliquen ciencia de datos y medición de la elasticidad. No obstante, poca gente se da cuenta de que acelerar hacia un abordaje más prescriptivo (basándose en la optimización y la automatización) solo requeriría una inversión adicional marginal para obtener un impacto muy superior.

En este contexto, encontrar vías de aceleración empleando datos y modelos avanzados es un un motor crucial del éxito que puede generar una ventaja competitiva superior.

6. Sociedad

El último rasgo del liderazgo basado en datos está relacionado con la cuestión de ser bueno. ¿Qué es un buen líder en datos? Un buen líder en datos también es bueno para la sociedad. Siempre debe tener en mente las normas y la ética, ya que muchas de las opciones que elige en cuanto a adquisición de datos, creación de modelos y oferta de productos de datos pueden tener consecuencias para los usuarios, los empleados y la sociedad en conjunto.

Las empresas actuales, que están sometidas a un escrutinio creciente, deberían crear una conexión de confianza y transparencia con sus accionistas abriendo "cajas negras" y situando a los usuarios en el centro del consumo y la explotación de datos.

Todo el contenido está disponible bajo la licencia Creative Commons Reconocimiento 4.0 Internacional.