La ciencia de datos ofrece un gran potencial para toda organización que quiera mejorar y/o automatizar la toma de decisiones.
Sin embargo, la mayoría de los proyectos de datos no producen mucho o ningún valor comercial, lo que lleva a decisiones basadas en simples heurísticas, en proyecciones básicas o incluso en la intuición. Del mismo modo, convertir la prueba de conceptos de ciencia de datos en soluciones para toda la empresa requiere mucho esfuerzo.
Pero no tiene que ser así. Alcanzar el éxito con la ciencia de datos comienza por reconocer que los elementos más críticos van más allá de los datos y la tecnología. Más bien, el éxito depende de las personas, la cultura y los procesos.
Teniendo esto en cuenta, aquí hay siete desafíos que pueden impedir el éxito de los esfuerzos de ciencia de datos y la forma de superarlos.
1. Confusión sobre la ciencia de datos y cómo puede ayudar.
Entre la exageración y la jerga de la IA, es fácil caer en la trampa de pensar que la ciencia de datos es la respuesta a todo. Sin embargo, hay situaciones en las que no es la respuesta para resolver un problema empresarial. Las razones pueden incluir limitaciones técnicas, el impacto en la experiencia del cliente y preocupaciones éticas. Por lo tanto, para garantizar que las expectativas sean razonables y alcanzables, es fundamental educar a la gerencia y a los miembros del equipo sobre la ciencia de datos, cómo funciona y qué puede o no hacer.
2. Falta de claridad sobre dónde, cuándo y cómo empezar.
Desmitificar la ciencia de datos brinda la claridad necesaria para comenzar de manera adecuada en la experiencia de los datos. No saber dónde, cuándo y cómo comenzar puede conducir a intentos ad hoc de “hacer algo de ciencia de datos”. Dichos esfuerzos a menudo dan como resultado una prueba de conceptos mal diseñada y ejecutada, demasiado alejada de los desafíos comerciales clave para aportar valor o visibilidad.
Para tener éxito, los equipos de ciencia de datos deben comprometerse con la gerencia y el equipo comercial para comprender y mantenerse actualizados sobre las necesidades estratégicas y operativas. Vigilar las necesidades comerciales generales de la organización permitirá a los científicos de datos analizar iniciativas potenciales, priorizarlas y garantizar que el tiempo y el enfoque se dediquen a las actividades que reflejen un cambio. Los científicos de datos también pueden desarrollar hojas de ruta prospectivas que especifiquen cómo las iniciativas respaldarán la estrategia de una organización a largo plazo.
Por ejemplo, para mejorar las capacidades de ciencia de datos de un producto de cliente, el equipo de RGA comenzó a revisar el estado ‘tal cual’ para delinear el estado ‘futuro’ en una docena de casos de uso. Los proyectos se priorizaron en función de su impacto y viabilidad. Nuestro equipo identificó a las personas con la experiencia y el conjunto de habilidades adecuados, determinó la inversión en TI y anticipó la gestión de cambios necesaria. Finalmente, organizamos todo en una hoja de ruta de ciencia de datos de varios años.
3. Estructura y gestión inadecuada del equipo de datos.
A pesar del creciente debate sobre cómo estructurar y gestionar equipos de datos, parece que pocas organizaciones han creado el entorno adecuado para que sus científicos de datos tengan éxito y se desarrollen. A menudo, los equipos de ciencia de datos se sientan en silos, como departamentos de investigación y desarrollo o centros de excelencia. Los equipos de ciencia de datos pueden estar enterrados profundamente dentro de las estructuras de TI, lejos de los equipos comerciales.
También es común encontrar equipos de ciencia de datos formados por científicos de nivel doctoral sin soporte de ingeniería de software y datos administrados por un científico de datos líder que prefiere ser un colaborador individual y/o que carece de habilidades sociales. En cambio, el liderazgo y la estructura del equipo deben adoptar una mentalidad y un modelo operativo que prioricen al cliente. En RGA, contamos con líderes dedicados a la ciencia de datos que trabajan en estrecha colaboración con los equipos comerciales y son responsables de aportar valor.
4. Desalineación entre los equipos de datos, negocios y tecnología.
La estructura y gestión inadecuadas de los equipos de ciencia de datos a menudo pueden conducir a problemas de comunicación que interfieren con el éxito. Los científicos de datos se basan en un lenguaje técnico preciso y, a menudo, no hablan el mismo idioma que los equipos de negocios y tecnología. La falta de comunicación podría conducir a relaciones disfuncionales que erosionan la confianza.
Por lo tanto, los científicos de datos deben esforzarse por hablar el lenguaje cotidiano con colegas no técnicos para que entiendan cómo funciona la ciencia de datos. Cerrar la brecha de comunicación parece sencillo, pero no siempre es fácil. El éxito también depende de que los científicos de datos continúen educando a las partes interesadas del negocio y reduzcan las brechas de conocimiento.
5. Resistencia al cambio por parte de la gerencia y los usuarios finales.
Desafortunadamente, muchas iniciativas de ciencia de datos se centran primero en la ciencia y la tecnología, fijándose en el rendimiento del modelo en lugar de preocuparse por cómo se usará en la vida real y por quién. Lanzar una solución de ciencia de datos, como la recomendación de la siguiente mejor acción para asesores y esperar una adopción inmediata, es un camino seguro hacia el fracaso. Los líderes deben visualizar el panorama general más allá de la solución técnica de ciencia de datos, anticipar problemas y enfocarse en adoptar nuevas formas de trabajar. Garantizar una adopción adecuada requiere un diseño centrado en el usuario, un sólido patrocinio ejecutivo y grandes dosis de gestión del cambio.
6. Resultados y retorno de inversión poco claros en los casos de uso existentes.
No hay nada más desmoralizador y perjudicial para el éxito de una iniciativa de ciencia de datos que no saber qué tan bien se desempeñó. Por lo tanto, es fundamental establecer objetivos claros y medir el valor.
Aunque a veces es difícil estimar con precisión el efecto de un proyecto de ciencia de datos en el resultado final, los resultados poco claros y el retorno de la inversión harán que sea difícil, si no imposible, ganar confianza y financiación para continuar el viaje de la ciencia de datos. En RGA, ningún proyecto de ciencia de datos avanza sin un caso de negocios que demuestre su valor potencial y las formas de medirlo adecuadamente.
7. Transformar casos de uso en soluciones es algo complejo.
Convertir pruebas de concepto manuales en soluciones de ciencia de datos siempre activas para toda la empresa es un desafío para cualquier empresa. Es necesario adoptar prácticas de desarrollo ágiles para crear soluciones de ciencia de datos de manera efectiva. Además, la producción y el despliegue de estas soluciones no solo requiere el soporte de ingeniería de software adecuado, sino también una implementación empresarial adecuada y una gestión de cambios eficaz. Sin embargo, nada de esto es posible sin los seres humanos.
Conclusión
Si bien las personas ven el éxito de la ciencia de datos a través de la lente de los datos y la tecnología, son las personas, la cultura y los procesos los que marcan la mayor diferencia entre los esfuerzos efectivos e ineficaces de la ciencia de datos.
Reimpreso con el permiso de Seguros digitales.
