Democratización de la data: Herramientas y prácticas para el diseño de servicios

mayo 17, 2019

En un comienzo, la información se transmitía de voz a voz con la intención de guardar registro de la misma, luego, con la escritura, pasó a ser registrada y almacenada. Hoy en día, la gran cantidad de información entendida como big data, ha adquirido un nuevo nivel de importancia: Su análisis hace parte esencial en el diseño de servicios pertinentes y la toma de decisiones estratégicas en pequeñas, medianas y grandes empresas.

Contrario a las creencias, las pequeñas empresas son las que suelen sobresalir por su agilidad en la toma y ejecución de decisiones. Pero, ¿a qué se debe este fenómeno?, ¿influye el tamaño del equipo?, ¿tiene que ver con la cantidad de datos por analizar? o ¿será el resultado de generar servicios y/o productos específicos, en vez de diversificar?

Data y diseño de producto

La verdad sea dicha, varias de las respuestas tienen que ver con la agilidad propia de las pequeñas empresas o emprendimientos: La comunicación entre equipos y toda la información que cada uno recoge, analiza y genera, son los factores que indican como mejorar los productos y servicios para ofrecer, pero a mayor cantidad de interlocutores y datos recolectados, menor velocidad de acción y reacción.

Para igualarse en velocidad, empresas de mayor tamaño tienen que aprovechar la capacidad de almacenamiento y procesamiento de información, haciendo que la big data valga oro en la industria.

¿Cómo se logra una total coordinación en los procesos de las empresa? Manteniendo a todos los miembros al tanto de la información indispensable para ser competitivo. De aquí radica la importancia de democratizar la data, más allá del deseo de permitir que la información llegue a todos los interesados, se trata de que todos tengan acceso a la información necesaria para realizar su trabajo.

Estamos hablando de generar productos y servicios a partir de datos recolectados y analizados por cada empresa, creando su propia estabilidad y crecimiento. Una práctica que se ha fortalecido con la formalización del diseño de servicios y productos, así como por aportes de metodologías como el design thinking.

Big data para crear y escalar un producto

Podemos dividir el proceso de creación y escalamiento de un producto en 3 pasos: Generar una idea, convertirla en un producto y diversificar su mercado. Cada momento se beneficia de la información recopilada, permitiendo generar, entregar y capturar valor, lo cual da una pista clara de lo provechosos que resultan los datos para optimizar la oferta de cada empresa, facilitando la toma de decisiones en la relación cliente — marca — producto.

Otro avance significativo, que ha permitido llevar a los datos a su posición privilegiada, está en las tecnologías que permiten almacenar y procesar grandes cantidades de información (big data), además de crear e implementar una infinidad de modelos de machine learning, automatizando y optimizando el análisis.

Tim Brown, CEO de IDEO y una de las voces más relevantes del design thinking (además de figurar como creador de la metodología) comenta al respecto lo siguiente:

“New tools such as artificial intelligence, the internet of things, and biomimicry mean our design ambitions are limited only by our imagination. Meanwhile, creativity has never been more important. The global economy is stuttering and disruptive technologies challenge established business models.”
Tim Brown

Brown refuerza la postura del artículo: la importancia de los datos está más allá de la trazabilidad, pero también nos cuestiona si tenemos la capacidad de responder con propuestas creativas, a la misma velocidad en que llega la información.

Aquí encontramos una de las principales razones por las que un buen número de empresas, aún no adoptan estas prácticas de democratización y análisis de la data: la parálisis por análisis.

Parálisis por análisis

Este fenómeno consiste en que usualmente no contamos con el tiempo suficiente para analizar grandes cantidades de información y encontrar insights de valor, que lleven a proponer nuevos productos y mejorar los existentes.

Al no poder accionar rápidamente, decidimos no diseñar a partir de los datos. Esto sucede cuando mantenemos un esquema de producción lineal, como el que se muestra en la imagen 1.

Es entonces cuando la propuesta de un diseño circular, como la que propone Tim Brown cobra relevancia. En este esquema, ya no recopilamos información sólo al final del proceso, sino que recolectamos y analizamos en cada uno de los pasos y con propósitos específicos.

De esta manera, el volumen de datos que se analiza en cada paso es menor, reduciendo la posibilidad de parálisis por análisis. Así convertimos los productos en servicios con valor incremental, como se muestra en la imagen 2.

El caso de DriveNow, un servicio de carsharing que comenzó hace 8 años en Alemania y que opera actualmente en más de 9 países, con una flota de más de 5900 vehículos, resulta ser un buen ejemplo del diseño circular, donde la tecnología, la recolección y el manejo de datos son bien aplicados.

Desde su lanzamiento, el carsharing se transformó rápidamente en un joint venture entre Sixt y BMW, donde la última empresa dejó de centrarse en su producto insignia (vehículos) y le apuntó a diversificar el negocio, asegurando que la flota entera del carsharing sea propia y recolectando todo el tiempo datos sobre: trayectos, horarios, preferencias e información relevante que mejore el viaje.

Beneficios de acuerdo al tipo de datos

Aparte del problema de parálisis por análisis, también es común encontrar situaciones en que las empresas carecen de grandes cantidades de datos, sobre todo en áreas diferentes al histórico en ventas.

Esta situación es fácil de entender, si tenemos en cuenta que las cifras más relevantes para una empresa están relacionadas con los costos de producción y ganancias, pero resulta convirtiéndose en un problema prioritario cuando nos damos cuenta que no tenemos respuesta a ¿cuáles segmentos de alto valor estoy dejando desatendidos? o ¿quién puede ser una figura representativa para impulsar mis productos y servicios?, estas preguntas podrían ser resueltas con datos, más allá de las ventas.

Podemos ver que la clave de una democratización de datos exitosa, está en establecer una cultura de recolección en todas las áreas de la compañía.

Preguntas y visualización como medio de comunicación

La variedad de datos recolectados, es tan beneficiosa como las diferentes miradas de las áreas al analizar información. El punto es que los objetivos de cada una pueden variar, dificultando la comunicación entre las mismas. Esta es una de las razones por las cuales las empresas pequeñas, suelen ser más ágiles que las de mayor tamaño.

De ahí radica la importancia de un tercer condicional, para lograr una democratización y análisis de datos exitoso: se debe tener una comunicación efectiva con los involucrados, la meta es que todos hablemos el mismo idioma.

Se debe establecer una periodicidad en la recolección de datos, de lo contrario, resultará imposible hacer el cruce correcto de información con sus nuevas versiones.
Cada involucrado debe aclarar lo que espera encontrar en los datos, ya que cada área se beneficia de la información recolectada por las demás.
Compartir los datos a través de visualizaciones. Para esto, hay que asegurar que la gráfica hable por sí sola, resumiendo y dando a entender los resultados del análisis de la información.

La visualización, elemento clave en la comprensión de los datos

No hay que olvidar que los involucrados son los mismos espectadores de los reportes, por esto, hay que plantearnos las siguientes preguntas para entender lo que ellos esperan ver:

¿Quién va a visualizar el contenido?
¿Qué quieres que ellos sepan o hagan con esa información?

Las respuestas a estas preguntas nos ayudan, como visualizadores, a seleccionar los displays apropiados según lo que queramos comunicar.

Texto simple: El texto simple es la mejor manera para comunicar cuando solamente hay uno o dos números para compartir.
Tablas: Los datos siempre deben resaltar, por eso las tablas son ideales para comunicar diferentes unidades de medida.
Mapas de calor: Una mezcla entre tabla y visuales. Podemos facilitar la lectura con ayuda de los matices y la saturación de colores, desde una visión general hasta el detalle de la información.
Gráficos de dispersión (scatter charts): Son útiles para mostrar la relación entre dos temas, ya que la ubicación de los puntos con respecto a los ejes muestra la relación.
Líneas estándar (standard): Los gráficos standard son los más usados para mostrar datos continuos.
Slope Graphs: Es la mejor opción cuando buscamos comparar aumentos y disminuciones relativas entre dos puntos de vista o periodos de tiempo.
Barras: Verticales, horizontales y apiladas, suelen ser un tipo de gráfica bastante recurrente a la hora de mostrar información.

Pasos para visualizar

Ahora bien, si cada gráfico tiene el potencial de transmitir un mensaje concreto sobre una porción de información, un buen reporte tiene que funcionar contando una historia completa, para lo cual resulta conveniente seguir los siguientes pasos:

Sketch: Solemos subestimar el potencial del papel, pero una buena sesión de sketching, en la que los usuarios finales de la visualización plasmen en papel sus expectativas, ayuda a entender cuáles son los datos que buscan y cómo quieren visualizarlos.
Mockup: Una vez contamos con un bosquejo en papel, podemos hacer la maqueta de datos para visualizar la herramienta seleccionada. En este punto nos enfocamos en funcionalidad.
Visualización final: El protagonismo lo tiene el look & feel: colores, tipografía y demás elementos visuales. La preocupación debe estar en mantener la información esencial planteada en el sketch, ofreciendo una visualización agradable y clara. En caso de ser un reporte dinámico de entrega periódica, podemos plantear un roadmap de mejoras.

Resumiendo, la democratización de la data en una organización, se convierte en un esfuerzo esencial para agilizar la toma de decisiones a través del análisis, basándolas en una estrategia de crecimiento que ofrezca valor a sus clientes.

Con esto se logra mantener una comunicación clara y continua con los usuarios finales de los productos. A continuación finalizamos con un paso a paso del proceso:

Definir los datos que se quiere recolectar en cada área, con el objetivo de esclarecer el propósito de la recolección de cada fuente.
Establecer una cultura interna de recolección de datos y revisar las posibilidades resultantes del cruce de información.
Definir las visualizaciones que puede ofrecer cada uno de los involucrados, pensando en la periodicidad de dichos reportes y en lo que van a buscar los espectadores en los datos.

Conoce más acerca de data y muchos temas más en nuestro Blog