PyMEs Data-Driven. La necesidad de vencer a la quimera.

Desde hace años las empresas grandes han orientado sus decisiones desde el análisis de datos. Facebook, Amazon, Apple, Netflix, Google, han sido pioneras en este camino desde principios de 2010. Para 2014 el puesto de Data Scientist comenzó a ser tendencia. Hoy invierten miles de millones de dólares en sostener y profundizar su estructura de datos. Sus retornos de inversión son altísimos: incrementos en productividad, reducción de costos y ventajas competitivas para captar clientes de hasta 23 veces mayor frente a quien no explota el análisis de datos (1 y 2). Según Nucleus Research, el ROI es de 13 dólares por cada dólar invertido (3).

Para las empresas pequeñas el camino es más difícil y por eso el análisis de datos para la toma de decisiones está menos difundido. (4). Los recursos humanos y financieros no son los mismos y los procesos pueden ser costosos, complicados e inseguros. Esa es la Quimera que bloquea el camino imponente con sus amenazas híbridas.

Con el auge de la inteligencia artificial es obligatorio ponerse a pensar que procesos de tu organización se pueden automatizar o mejorar utilizando este increíble conjunto de herramientas. Quien no lo haga sucumbirá ante la competencia. Aquí aparece la necesidad como el vacío que se acerca y nos obliga a enfrentar a la bestia: es imposible automatizar y optimizar procesos de forma efectiva si tu organización no cuenta con los datos y la estructura para hacerlo.  

¿Cómo resolver este dilema, cómo vencer a la Quimera? Belerofonte analizó la situación, sus armas y la mejor manera de avanzar. Cuando hablamos de datos la respuesta es compleja y obviamente depende de cada empresa. Lo importante, cómo siempre, es empezar por el principio y sentar bien las bases. Entender hacia dónde va el modelo de negocio y qué datos son y van a ser importantes para recorrer ese camino. Qué madurez tiene la organización, qué información y datos sirven y cuáles se deben empezar a recolectar (5). Luego buscar la mejor manera de estructurarlos y organizarlos de acuerdo a los recursos disponibles y las necesidades más urgentes. Analizar los datos, ajustar las decisiones y por último automatizar.

Los atajos son tentadores ya que automatizar algún proceso en particular puede sonar como un gran avance. Implementar automatizaciones por fuera de un esquema general puede traer complicaciones. Si las bases de datos no son las adecuadas, su estructura y organización no es adecuada, si el equipo IT no está preparado para realizar mantenimiento y monitorear los procesos y la organización no tiene la madurez para acompañar el proceso, difícilmente funcione. Ni hablar de los riesgos en cuestiones de ciberseguridad y cumplimiento normativo. Lanzarse al frente sin un plan puede parecer una audaz alternativa pero muchos fueron los valientes héroes y guerreros que fueron devorados por la Quimera.

Las inmersiones en IA pueden implicar una inversión considerable de tiempo y dinero y se estaría desperdiciando una oportunidad de hacer algo con menor impacto a corto plazo pero sostenible, escalable y con mucho mayor impacto a mediano y largo plazo. 

Los que recuerden la mitología se estarán preguntando por el Pegaso, sin quien la victoria no hubiese sido posible. En este caso puede ser WTW quien te ayude a vencer a la Quimera. Y si quieres volar demasiado alto y llegar al monte olimpo para ser un dios también vamos a tener que bajarte a tierra.

1. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/five-facts-how-customer-analytics-boosts-corporate-performance
2. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/competing-through-data-three-experts-offer-their-game-plans
3. https://nucleusresearch.com/research/single/analytics-pays-back-13-01-for-every-dollar-spent/
4. Eurostat habla de aplicación de IA, señalando que en 2025, el 17% de las pequeñas empresas, el 30,36% de las medianas y el 55,03% de las grandes usaron IA. Si bien no es lo mismo que explotar los datos, es indicativo al respecto ://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises
5. Christopher Penn “data-resistant a data-driven”