La monetización de datos es resultado de reclutar al talento correcto.
El ambiente competitivo en que están inmersas las empresas, requiere de información que vaya más allá de un enfoque operativo. Esto hace necesaria una estrategia de información que administre, mida y monetice los activos de datos, con el fin de acelerar la creación de valor.
Dado lo anterior, las organizaciones reclutan científicos de datos, que propongan procesos para monetizar los activos de información. Sin embargo, reclutar este tipo de talento puede ser complejo, si no se cuenta con una adecuada descripción de puesto.
Los perfiles de puesto suelen enfocarse en las aptitudes técnicas como conocimientos en Python, R, SAS, estadística avanzada, SQL, manejo de base de datos, extracción de datos, diseño de modelos analíticos, Data Warehouse, etc…
¿Se garantizaría la monetización de los datos, si una persona tuviera los conocimientos previamente descritos?
Probablemente no, ya que un científico de datos es responsable de modelar problemas de negocio complejos, y descubrir la clave para resolverlos mediante el uso de técnicas estadísticas, algoritmos, minería de datos y visualización. Más que aptitudes técnicas, se requiere la habilidad blanda de plantear preguntas claves de negocio, que surgen de una comprensión profunda sobre la estrategia de la empresa y los indicadores que la miden.
El proceso para monetizar los datos
Un científico de datos debe ser capaz de escuchar y comprender a los principales expertos del negocio, para formular las cuestionamientos de negocio que la alta dirección quiere responder.
Una vez identificadas las preguntas de negocio, es necesario encontrar las variables o indicadores que puedan responder las interrogantes del negocio. Este proceso de selección de indicadores, requiere la ayuda de expertos de negocio y de métodos estadísticos que ayuden a discriminar aquellas variables redundantes o de poco valor para el problema.
Una vez que las variables son identificadas, es necesario diseñar una arquitectura de datos que permita extraer los indicadores de las fuentes de información. Después, los datos deben ser transformados, limpiados y cargados a una plataforma analítica, para aplicar múltiples técnicas estadísticas, que garanticen un grado de significancia aceptable en los resultados del algoritmo.
Caso de uso para agregar valor al negocio
Para ejemplificar el proceso anterior, supongamos la siguiente pregunta estratégica: ¿Cómo incrementar los ingresos en una de negocio específico?
Esta pregunta de negocio probablemente sería hecha por un directivo de alto rango, pero carece del enfoque necesario para establecer una estrategia factible.
Un científico de datos debe establecer lazos de comunicación con los expertos de negocio, para determinar los activos de datos que podrían ayudar a incrementar los ingresos de una empresa.
Después de entrevistas con los expertos en negocio, se podría deducir que los programas de lealtad implementados en las empresas, son activos de datos monetízables, ya que los datos recolectados de los clientes pueden ser utilizados para realizar campañas digitales de marketing, que aumenten los ingresos.
Un científico de datos debe establecer un modelo de segmentación de los clientes para permitir al departamento de marketing establecer campañas que garanticen mayores ventas. Para ello, se requiere un algoritmo capaz de encontrar las correlaciones entre las variables, como: ventas por categoría, frecuencia de compra, ticket promedio, número de tickets, número de clientes, datos demográficos, así como el tipo de promoción y productos que deberían ser aplicado en cada segmento.
A través de un conocimiento sobre los modelos estadísticos adecuados, se puede crear una segmentación óptima de los clientes. Con ayuda de lenguajes analíticos de programación como Python o R, se podría diseñar un algoritmo capaz de manejar grandes volúmenes de información dentro de una plataforma analítica, con el fin de establecer una estrategia personalizada de marketing para cada segmento.
El algoritmo debe ser lo suficientemente inteligente para reconocer cambios en los patrones y aplicar los cambios en los límites de los segmentos, haciendo dinámica la estrategia de marketing.
Conclusión
Después de comprender el proceso para monetizar los datos, queda claro que las aptitudes técnicas sin duda son importantes, pero más relevantes son la comprensión de los problemas de negocio, y su relación con las variables para resolverlos.
De ahí la importancia de recultar perfiles con habilidades técnicas, además de las capacidades para plantear un modelo analítico que responda las preguntas de negocio de la alta dirección.
Evodio Sánchez.
20 años de experiencia en Estrategias de Negocio, Administración de Tecnologías de la Información y Business Intelligence para empresas de primer nivel en México, con habilidades como: Creación de modelos de negocio para incrementar la rentabilidad, Desarrollo de estrategias de responsabilidad social para aumentar los beneficios económicos, ambientales y sociales, Resolución de problemas, Comunicaciones, Ventas, Análisis, Equipos de trabajo, Atraer talento, Riesgo y Juicio en toma de decisiones.
