Algo que no suelo contar ni promocionar es el lado de analítica de datos.

Algo que disfruto mucho haciendo porque es como jugar a detectives es la analítica de datos.

¿Entonces, xq?

Porque pocas organizaciones entienden y valoran, pero sobre todo, saben por qué hacer analítica de datos. ¿Y tú?

Cuando empecé a aprender programación, con 14 años, trasteando con BASIC, los datos siempre han estado presentes. Han sido el nexo de unión, el contexto y los que han permitido el desarrollo de todo tipo de soluciones.

Esto es algo que cualquier técnico informático te debería saber decir y explicar: sin datos no existe todo lo demás.

Recuerdo que en en la década de los 90s desarrollé una aplicación de control de fabricación para la ya desaparecida Prefabricados JULCA. Aquel fue un excelente ejemplo de manipulación, control y visualización de datos sobre lo que estaba pasando fuera de las oficinas, en el patio de fabricación, donde estaban las materias primas, las máquinas y los operarios.

Luego, durante mi etapa en el Servicio del Plan de Salud de Canarias (o cualquiera de los múltiples nombres que tuvo y ha tenido en su historia), volví a poner los datos en el centro de mi vida profesional, trabajando con análisis de historias clínicas, encuestas de salud y de calidad de vida, de coste-efectividad sanitaria y un largo etcétera.

Hay que decirlo, yo no era investigador, era equipo de soporte. Era ejecutador. Y por ello pasé por un proceso de aprendizaje en estadística inferencial, creación de modelos, analítica de probabilidad.

Mi trabajo iba desde la recopilación y grabación de datos, control de calidad, hasta su análisis y representación. Vivía el proceso completo y aquello duró hasta 2009.

Pero…

El tejido local de pymes, en Canarias (y España), no entiende ni valora ni sabe por qué aplicar analítica de datos sobre lo que ya recopilan día a día o ni tan siquiera si es necesario recopilar nuevos datos.

Y no estoy criticando el tejido empresarial local ni nacional, compuesto en un 92% por pequeñas empresas o freelancers.

(Si has entendido eso es que no has entendido nada.)

Lo que estoy señalando es que aún hoy, alcanzado ya el primer cuarto del siglo XXI, hay una enorme oportunidad para colocarte por delante de tus competidores analizando los datos de tus procesos de gestión, producción, marketing y ventas, pero además esa oportunidad se catapulta cuando además estableces procedimientos para recabar nuevos datos, ya sean de fuentes públicas o estableciendo controles vía encuestas, estudios de casos u otras técnicas que podemos importar del ámbito académico y público.

Conocer quién es tu cliente, pero sobre todo, conocer qué piensa, qué quiere y por qué está dispuesto a pagar tu cliente, te pone unos cuantos escalones más arriba que el resto de empresas que compiten por el mismo trozo de pastel.

Incluso si solo te limitas a analizar y obtener conocimiento de los datos generados con tus procesos internos, los que nacen de la propia existencia de la organización, ya estarás en una posición de enorme ventaja.

¿Por qué? Porque pasas de intuir (lo que tampoco está mal) a conocer. Un conocer basado en la evidencia.

Lo que deriva en una toma de decisiones informada.

Tú puedes «opinar» que las compras a tal proveedor son más rentables porque es tu principal inversión en el año y no saber que las compras a un proveedor más pequeño te están generando un 2% más de beneficios.

Tú puedes «opinar» que la configuración de un WordPress ocupa un día de trabajo completo, porque es lo que te han dicho, y no saber que es algo que se hace en un promedio de 37 minutos, porque no lo has medido.

Puedes creer, opinar… pero no saber.

Hablamos de la analítica y de la ciencia

Cuando hablamos de analítica de datos, sean del tráfico de tu web, de las ventas del año y la productividad del equipo comercial, del perfil sociodemográfico que rodea a tus puntos de venta, de los tiempos de respuesta y satisfacción en la atención postventa, estamos hablando de aprender con lo que ya se podría saber porque los datos están ahí, pero aún no se han explotado.

Pero cuando hablamos de ciencia de datos damos un paso más allá y utilizamos esos mismos datos para predecir, con un alto porcentaje de confianza y un bajo nivel de error, lo que podrá pasar en el futuro.

Y eso, amigo mío, amiga mía, es otro nivel.

Contrátame con un clic…

El proceso

Hay muchos frameworks en la analítica y la ciencia de datos. Actualmente IBM y Google defienden sus propios métodos que, básicamente, son equiparables y trasladables porque las tareas siempre son las mismas. Solo cambia el trasfondo. Para mí es aún más sencillo (y complejo, a la vez):

1. Contexto

¿Quién eres? ¿Dónde operas? ¿Qué haces? ¿Qué pretendes? ¿Cómo lo pretendes? ¿Qué buscas? ¿Qué tienes? ¿Qué sabes? Sin esas respuestas, no empezamos.

2. Objetivo

¿A dónde quieres llegar? ¿Qué pretendes alcanzar? ¿Cómo quieres conseguirlo? ¿Cuánto quieres invertir para conseguirlo? Sin estas respuestas, no avanzamos.

3. Lógica

¿Cómo vamos a recorrer el camino entre lo que ahora eres y lo que quieres o pretendes ser mañana? ¿Qué pasos hay que dar? Sin estas respuestas, no planificamos.

4. Herramientas

¿Qué vamos a utilizar para dar los pasos? ¿Qué nos facilitará avanzar? ¿A qué velocidad nos permitirá avanzar? ¿A qué coste? Sin estas respuestas, no ejecutamos.