Ahogándose en datos, hambriento de conocimiento

El exceso de datos que tenemos en nuestros lugares de trabajo no ha resultado en decisiones mejores ni más inteligentes. Aprenda a identificar la señal en el ruido de los datos.

por Sarah Deane

Toda organización maneja montañas de datos. Paneles de rendimiento, encuestas de interacción, opiniones de clientes, métricas financieras, informes de retención… la lista es interminable. ¿La ironía? La mayoría de los líderes no aprovechan ni una fracción del valor que ofrecen esos datos.

En lugar de ver patrones, posibilidades y oportunidades, se ahogan en el ruido. El mayor problema no es la escasez de datos, sino la calidad de estos y cómo los utilizan las organizaciones.

El problema de una lente de datos estrecha

Los datos se utilizan a menudo para responder a una pregunta ya formulada, en lugar de aplicarlos desde una perspectiva más amplia de inteligencia empresarial. Alguien pregunta: “¿Cuál es nuestra tasa de interacción este trimestre?” o “¿Cómo va el flujo de ventas?”, y el equipo de datos analiza minuciosamente las cifras para obtener una respuesta.

El resultado es una visión limitada. La organización obtiene la pieza del rompecabezas que buscaba, pero corre el riesgo de pasar por alto el contexto más amplio, los patrones ocultos y la historia más profunda de los datos.

Este enfoque basado en preguntas puede ser eficiente, pero por sí solo deja mucho valor sobre la mesa.

Barreras comunes para liberar el valor de los datos 

A continuación se presentan algunas de las barreras más comunes que impiden que las organizaciones aprovechen todo el potencial de sus datos:

1. Falta de un mapa claro del ecosistema de datos

La mayoría de las organizaciones no tienen un mapa claro de sus entradas, salidas y flujos. ¿De dónde provienen los datos? ¿Qué sistemas los alimentan? ¿Qué puntos de datos existen? Sin visibilidad del ecosistema completo, los líderes pueden depender de un conjunto aislado de puntos en lugar de ver cómo se conecta el sistema.

2. Datos inaccesibles o aislados

Incluso cuando las organizaciones disponen de los datos, estos suelen estar aislados o pertenecen a departamentos específicos. Esto significa que solo unas pocas personas pueden utilizarlos. Los datos que no son accesibles, utilizables ni compartidos son un potencial desperdiciado. Si bien existen razones comerciales legítimas para limitar el acceso a los datos, en muchos casos la burocracia y los procesos existentes dificultan su uso, lo que limita su valor.

3. Medidas superficiales

A los líderes les encantan las puntuaciones de tendencias: índices de compromiso, de satisfacción y de productividad. Pero estas métricas de vanidad pueden estar muy influenciadas por cómo se siente alguien en ese momento o ser manipuladas por empleados que conocen el funcionamiento del sistema.

Muy pocas organizaciones miden métricas elementales: los factores subyacentes que realmente generan los resultados que les interesan. Sin ellas, se está gestionando constantemente los síntomas, no las causas raíz. Un ecosistema de datos potente integra diferentes tipos de mediciones, integrándolas para generar información clara y guiar la mejor toma de decisiones posible.

4. El efecto sandía

A simple vista, las métricas pueden parecer “verdes” (saludables), pero en realidad son “rojas” (problemas ocultos). Por ejemplo, un equipo puede mostrar buenos resultados en la entrega del proyecto mientras, discretamente, se agota, se desconecta o recorta gastos. Si solo se observan los paneles superficiales, se perderá la realidad.

5. Datos sesgados

Los datos pueden estar sesgados y condicionados por cómo se recopilan, quién los recopila y cómo se interpretan. Las encuestas sobrerrepresentan a quienes están dispuestos a responder. Las evaluaciones de desempeño reflejan tanto la perspectiva del gerente como la realidad del empleado.

¿Y cuándo se introducen datos sesgados en los sistemas de IA ? El sesgo crece de forma rápida e invisible, creando importantes riesgos de sesgo de IA para la organización. No solo se obtienen resultados sesgados, sino que se amplifica el sesgo, que influye en las decisiones de toda la organización.

6. Parálisis por análisis

Con tantos datos disponibles, los equipos se atascan analizando en exceso. Pasan meses perfeccionando informes en lugar de impulsar la acción. Información valiosa puede quedar sin uso mientras los líderes debaten la metodología o hacen suposiciones sobre las causas.

7. Confianza indebida en la tecnología

La IA, los paneles de control y las herramientas de análisis son potentes, pero no son mágicas. No reemplazan el pensamiento crítico. Que una métrica esté automatizada no significa que sea precisa. Si no se formulan las preguntas correctas ni se examinan las suposiciones, los resultados pueden ser engañosos.

Cómo descubrir el valor real de sus datos

La clave para aprovechar al máximo el valor de los datos no siempre reside en tener más datos. A menudo, se trata de hacer que los datos existentes sean más significativos, utilizables y prácticos, a la vez que se identifican claramente las deficiencias:

1. Mapee su ecosistema de datos

Analice su panorama: ¿qué datos recopila, de dónde provienen, a quién pertenecen, cómo fluyen y qué sistemas los alimentan? Un mapa de datos revela redundancias, puntos ciegos y conectores que quizás desconocía, y es la base de todos los pasos siguientes.

Consejo:  Crear un mapa del ecosistema de datos de una página para un área de negocio puede ser una forma útil de comenzar.

2. Identificar brechas (y eliminar datos erróneos)

Sea explícito sobre lo que falta o no es fiable. Pregúntese: ¿Nos faltan los datos que necesitamos? ¿Este conjunto de datos es obsoleto, sesgado o confuso? ¿Se aferra la gente a una métrica por inversión previa o hábito, no porque impulse resultados? Señale los costos irrecuperables y decida objetivamente si mejorar, reemplazar o retirar la fuente de datos.

Consejo: Para cada conjunto de datos principal, registre detalles importantes como la actualidad, la cobertura, el propietario, los sesgos conocidos y una calificación de “aplicabilidad” de uno a cinco. Luego, puede priorizar lo que requiere revisión inmediata.

3. Mejorar la accesibilidad a los datos con barandillas

Siempre que sea posible, facilite el acceso mediante plataformas gobernadas, metadatos claros y herramientas de consulta sencillas. El objetivo no es saturar a todos con todos los datos disponibles, sino ayudar a las personas a encontrar y comprender rápidamente los conjuntos de datos que necesitan.

Consejo: Quizás deba considerar qué se requiere para facilitar un acceso más amplio a los datos. ¿Dispone de asignaciones claras basadas en roles? ¿Es necesario fortalecer la alfabetización de datos en general ? ¿Existen estructuras de apoyo para guiar a las personas en su interacción con los datos?

4. Centrarse en métricas elementales y procesables

Evalúe sus mediciones actuales: ¿qué puntuaciones rezagadas o de tendencia pueden verse influenciadas por el sentimiento momentáneo y cuáles capturan los datos fundamentales que producen resultados? Pregúntese: ¿conoce los factores que impulsan los resultados que le interesan o se basa en métricas que solo reflejan una parte de la realidad? 

Consejo: para obtener un resultado clave, mapee todas las mediciones que sigue actualmente, identifique las brechas y seleccione dos o tres métricas elementales para comenzar a monitorear este mes para informar directamente la acción.

5. Revisar los números “verdes” 

No permita que una métrica aparentemente positiva lo induzca a la complacencia . Pregúntese: ¿Qué podría estar ocultando esta cifra? Quizás necesite combinar tendencias cuantitativas con datos cualitativos, como entrevistas, observaciones, preguntas abiertas de encuestas u otros datos, para identificar contradicciones.

Consejo: Identifique los datos de apoyo para sus métricas. Por ejemplo, si registra el tiempo de respuesta en un servicio de asistencia, considere también medidas como el tiempo de resolución y el tiempo promedio de espera para comprender la verdadera experiencia del cliente.    

6. Detectar sesgos y gestionar los riesgos de la IA

Considere la verificación de sesgos como una rutina. ¿Quién está representado? ¿Quién falta? ¿Cómo se recopilaron los datos? Si introduce datos sesgados en la IA, escala la toma de decisiones sesgada. Cree pruebas de sesgo, verificaciones de muestreo y un registro de riesgos simple para cualquier uso basado en modelos.

Consejo: Agregue una lista de verificación de sesgos a cualquier informe analítico. Por ejemplo, pregunte quiénes están incluidos, quiénes no y qué suposiciones se hicieron.

7. Equilibrar la tecnología con el criterio humano  

Las herramientas pueden detectar señales, pero el contexto y el juicio deben seguir siendo humanos. Utilice la analítica para fundamentar las decisiones; utilice a los humanos para interpretar los matices, las compensaciones y la ética.

Consejo: Puede agregar un campo de “contexto” de un párrafo a los informes del panel para resumir suposiciones y advertencias.

8. Retire lo que no funciona, invierta en lo que sí.

Si una métrica o un conjunto de datos genera confusión constantemente o tiene un uso limitado, considere eliminarlo. Reoriente sus esfuerzos hacia la recopilación de información valiosa que esté omitiendo. Concéntrese en las métricas que realmente impulsan las decisiones.

Consejo: Cree una plantilla breve de “propuesta de caducidad” para evaluar si conviene conservar, reparar o eliminar los conjuntos de datos heredados. 

La ventaja competitiva de un uso más inteligente de los datos

Las organizaciones que aprovechan eficazmente su ecosistema de datos no solo toman mejores decisiones, sino que también obtienen una ventaja competitiva. Detectan riesgos con antelación, aprovechan las oportunidades con mayor rapidez y liberan el potencial humano que otros pasan por alto.

Las organizaciones que prosperarán en la próxima década no serán las que tengan más datos. Serán las que sepan ver más allá del ruido, descubrir lo que realmente importa y actuar en consecuencia.

Nota del editor: ¿De qué otras maneras puedes mejorar tu toma de decisiones?

• Equilibrar la intuición y los datos para dominar la toma de decisiones  :  en lugar de ver la intuición y los datos como rivales, deberíamos verlos como aliados. He aquí por qué.
• 3 estrategias basadas en datos para impulsar y medir la experiencia de los empleados  : mientras todos intentamos hacer que el trabajo híbrido sea más efectivo, es fundamental comprender cómo su organización puede conectar la experiencia de los empleados con los objetivos comerciales.
• La IA no está lista para tomar decisiones empresariales sin supervisión  .  La IA no está lista para tomar decisiones empresariales en solitario. Mantenga a los humanos informados y establezca estas barreras antes de liberarla.

Acerca del autor

Sarah Deane es la directora ejecutiva y fundadora de MEvolution . Como experta en energía y capacidad humanas, e innovadora que trabaja en la intersección de las ciencias del comportamiento y cognitivas con la IA, Sarah se centra en ayudar a personas y organizaciones a superar sus obstáculos, recuperar su energía, recuperar su capacidad mental y redefinir su potencial.

Fuente: https://www.reworked.co/leadership/drowning-in-data-starving-for-insight/