Publicado el 29 Jul, 2021 6 minutos de lectura
El año pasado compartimos una serie de dos partes en la que hablábamos del valor de la experiencia compartida como primer paso hacia una estrategia de datos de primera clase. Afirmamos que las empresas deben empezar por la cultura y las personas, y dejar que la tecnología sea un facilitador.
A partir de esa serie, queremos compartir más formas de extraer valor de los datos, y algo que puedes hacer ahora mismo es prepararte para realizar experimentos rápidos. Los datos no tienen valor si no podemos actuar sobre ellos, y hoy más que nunca es importante que lo hagamos rápido.
Los líderes del mundo digital llevan varios años adoptando técnicas ágiles para estructurar su trabajo. Estas técnicas permiten a los equipos responder más rápidamente a la nueva información y, en consecuencia, reducir el despilfarro. Sin embargo, un efecto que a menudo se pasa por alto de estas técnicas es el potencial para aprender en tiempo real y mejorar continuamente los resultados.
Una vez que empieces acrear segmentos de clientes más relevantes, tendrás que ser capaz de personalizar rápidamente tus canales digitales para cada usuario. Los sistemas pesados y lentos sólo te frenarán.
Mientras tus competidores acumulan enormes cantidades de datos para planificar los cambios para el próximo año, tú puedes empezar a utilizar los datos que tienes ahora mismo y mejorar continuamente la experiencia digital a través de los comentarios que recibes hoy.
Para hacerlo de forma eficaz, es necesario entender el concepto de Data Flywheel.
¿Qué es un Data Flywheel?
Un Data Flywheel es un fenómeno por el cual el impulso de un producto o proceso aumenta a un ritmo acelerado debido al uso estratégico de los datos.
Desglosemos esto con un ejemplo. Uno de los casos de uso más comunes de los Data Flywheels son los sistemas de recomendación. Servicios como Netflix son famosos por incluir secciones "Recomendadas para ti" en las que se muestra al usuario una serie de películas o programas de televisión especialmente seleccionados. Al principio, se utiliza un algoritmo heurístico o basado en reglas muy simples (por ejemplo, mostrar las 10 películas más populares) y las recomendaciones suelen ser las mismas para todos los usuarios.
Una vez que la empresa ha recopilado suficientes datos sobre lo que les gusta ver a los usuarios, puedes utilizar estos datos para entrenar un modelo de aprendizaje automático (lo llamaremos motor de predicción). La primera versión de cualquier motor de recomendación tiende a ser demasiado simplista, pero ahora las recomendaciones son totalmente personalizadas para cada usuario. Esto mejora la experiencia del usuario, lo que se traduce en una mayor retención y un boca a boca positivo que atrae a nuevos usuarios al servicio. Un mayor número de usuarios produce más datos que la empresa puede utilizar para mejorar su motor de predicción y esto se convierte en un círculo virtuoso:
Lo más interesante de este proceso es que el impulso tiende a aumentar a un ritmo acelerado. Esta es una de las principales razones por las que es tan difícil para los competidores ponerse al día. Lo vemos una y otra vez. A medida que el motor de búsqueda de Google se vuelve más potente, atrae a más usuarios, lo que a su vez le permite mejorar aún más su motor de búsqueda. Mientras tanto, otros motores de búsqueda como Bing, Yahoo o Yandex luchan por mantenerse al día.
Un Data Flywheel tiene el potencial de generar increíbles recompensas para las empresas innovadoras que lo aprovechen antes que sus competidores. También es una de las dos formas principales de generar un ROI positivo en las iniciativas de datos o IA.
Data ROI
La última década trajo consigo mucho bombos y platillos en torno a los datos, el aprendizaje automático y la inteligencia artificial, pero muchas empresas e industrias no han logrado producir resultados que estén a la altura de las expectativas iniciales. Desgraciadamente, muchas empresas se lanzaron a ciegas a las iniciativas de datos e inteligencia artificial sin entender claramente cómo iban a generar realmente valor. Hay dos formas principales para que las empresas logren un retorno de la inversión con los datos y la IA:
- Capacidades críticas: Las empresas que se centran en la creación de las habilidades, los recursos y la cultura necesarios para aprovechar los datos a largo plazo tendrán más éxito en la conversión de sus datos “crudos” a un valor empresarial tangible.
- Dominio de los datos: Esto se corresponde con el ejemplo compartido anteriormente en el que una empresa tiene éxito en la activación de un ciclo virtuoso de datos dentro de su industria. El flujo constante de datos impulsa mejoras más rápidas en el producto día a día y hace más difícil que otras empresas puedan competir.
Estos dos conceptos suelen ir unidos. Las empresas que han sido capaces de alcanzar el dominio de los datos lo han hecho normalmente cultivando sus capacidades críticas.
Volviendo al tema de este artículo, el dominio de los datos a menudo lleva a la gente a pensar en Data Flywheel algorítmico compartido anteriormente. Los datos se utilizan para entrenar un modelo de aprendizaje automático que se vuelve más potente cuando se entrena con más datos.
Esta es sólo una de las muchas formas en que las empresas pueden aprovechar el poder de un Data Flywheel y, por desgracia, suele tener un alcance muy limitado. Imagina un escenario en el que el motor de predicción del diagrama anterior se sustituye por un aprendizaje más rápido en toda la empresa en general.
Esto significa que no tiene que ser el mejor o el más poderoso hoy, siempre que sea más rápido que sus competidores a la hora de aprender e incorporar nuevos conocimientos para mejorar sus productos, servicios y procesos internos. A largo plazo, estará mejor posicionado para superar a su competencia.
El poder de la experimentación
“La verdadera medida del éxito es el número de experimentos que se pueden ejecutar en veinticuatro horas”.
La cita anterior se atribuye a Thomas A. Edison, pero ha sido respaldada por altos cargos de empresas como Google, AirBnb, Netflix y Amazon. Jeff Bezos es famoso por sus declaraciones: "Nuestro éxito en Amazon está en función de cuántos experimentos hacemos al año, al mes, a la semana, al día".
El ex director de Amazon y cofundador de Intuit, Scott Cook, ha compartido que los antiguos ejecutivos de Yahoo atribuyen el éxito de Google sobre Yahoo a su capacidad nativa de ejecutar experimentos a escala:
"[Google] nos superó. Intentamos la gestión, todo lo que hacía la gestión, pero no teníamos ese motor de experimentación".
Scott Cook empezó a centrarse en la experimentación tras darse cuenta de que muchas de las decisiones tomadas por él y su equipo no eran realmente buenas. Decidió dedicar algo de tiempo a estudiar a Toyota para entender cómo un fabricante de telares podía decidir entrar en el negocio de los coches en un momento en el que ya había múltiples empresas bien establecidas que producían coches como su negocio principal y aun así ser mejor que ellas.
En colaboración con varios profesores de Harvard, descubrieron que Toyota "se gestiona a sí misma como una serie masiva de experimentos". Esto permitió a la empresa aprender más rápido que sus competidores y pasar de ser una empresa modesta a una líder en la industria del automóvil.
El poder de la experimentación reside en su capacidad para contrarrestar nuestra escasa capacidad de decisión. Los expertos en experimentación de Microsoft, Google, Netflix y Slack, entre otros, han descubierto que la mayoría de los equipos ven tasas de éxito de los experimentos de entre el 10 y el 33%, estando la mayoría de ellos en el extremo inferior. En otras palabras, podemos esperar que el 70-90% de nuestro trabajo sea desechado debido a resultados pobres o incluso negativos.
"La mayoría de los que han llevado a cabo experimentos controlados en sitios web y aplicaciones de cara al cliente han experimentado esta humillante realidad: somos pobres en la evaluación del valor de las ideas.".
Conclusión
En contra de lo que nos gusta pensar, no somos muy buenos evaluando el valor de las nuevas ideas. Afortunadamente, podemos utilizar la experimentación para aprender rápidamente tanto del éxito como del fracaso. Hacer esto de forma eficaz y a escala permite a las empresas generar un potente Data Flywheel en su núcleo, donde el aprendizaje se produce de forma rápida y natural.
También hay que ser inteligente en cuanto a las herramientas que se eligen para trabajar, de modo que se pueda extraer valor de los datos lo más rápido posible. Intenta encontrar herramientas que te permitan integrar los datos que ya generas y que luego faciliten a todos los miembros de la empresa la realización de experimentos y actuar sobre esos datos.
Los clientes son personas con necesidades, personalidades, dolores y pasiones reales. Depende de nosotros averiguar quiénes son y cómo encaja nuestro trabajo en sus vidas. Los números son sólo números, lo que realmente importa es lo que hacemos con esos números. El contexto y la capacidad de actuar también son fundamentales. Los datos por sí solos no son suficientes para tomar mejores decisiones. Si se hace bien, se puede superar a los competidores aprendiendo más rápido.
En Modyo, estamos aquí para ayudarte a crear mejores productos digitales y construir mejores experiencias para tus clientes. A través de nuestra plataforma, podemos ayudarte a añadir más valor a tus productos y servicios y a conseguir mejores resultados empresariales. Si el uso de datos para construir mejores productos digitales es algo que te interesa, habla con nosotros.
Photo de Przemyslaw Marczynski en Unsplash.
