mpezando por el mensaje final: es fundamental ir incorporando el dato y la analítica a todos los ámbitos de las organizaciones. A lo que se hace, a cómo se hace, a cómo se decide, a cómo se funciona y a lo que se ofrece.

A este respecto, resulta preocupante ver que hay ciertas empresas que aún vivan ajenas a este hecho, en la medida en que su competitividad y sostenibilidad futura puede depender en la medida en que incorporen estas capacidades, competencias y tecnologías en su lógica diaria.

Conocer la realidad del entorno empresarial internacional en relación a este hecho resulta fundamental para tener una foto de la cuestión. En este sentido, el análisis de Davenport y Harris (2017) describe cuatro etapas/generaciones en el nivel de analítica de las empresas, y puede resultar de interés para que cada organización pueda ver el estado en el que está y hacer una reflexión al respecto. Digo esto porque, según los estudios, un nivel mayor incidía directamente en el nivel de competitividad de las empresas. Veamos.

El primer peldaño en cuanto a la utilización de los datos y analítica sería el nivel de “Analítica 1.0”. Consiste en una utilización de la analítica y datos orientada a conocer qué es lo que ha ocurrido en el pasado (demanda, calidad, producción, finanzas, etc.) En este primer nivel, la analítica resulta aún simple, no siendo utilizada para prever sucesos o circunstancias (análisis predictivo) o para recomendaciones que pudieran servir para hacer mejor los trabajos (análisis prescriptivos).

Cabe reseñar que la cultura y utilización con respecto a los datos y la analítica de este nivel es eminentemente reactiva y lenta. En este tipo de empresas los/as gestores/as rara vez comprenden los métodos analíticos utilizados, de ahí que su utilización para la toma de decisiones sea escasa. Su aplicación, empero, suele estar mayormente orientada a dar soporte a decisiones que previamente habían sido tomadas por intuición, siendo los datos a menudo ignorados si van en otra línea.

El segundo escalón es el de Analítica 2.0. Impulsado por empresas de la industria de Internet como Google, Ebay, Yahoo, etc. bajo la necesidad de conocer qué hacían los clientes actuales y potenciales en su interacción en la red, la segunda fase de la analítica de datos pasa por la incorporación del concepto de Big Data, entendida como la incorporación de analítica aplicada a la captación y procesamiento de grandes volúmenes de datos que puedan aportar en distintos ámbitos de la empresa.

Esta necesidad de procesamiento lleva aparejado el nacimiento de programas y aplicaciones para poder procesar ingentes cantidades de datos como Python, R, Hadoop, Hive, etc. Lo cual ha dado lugar, a su vez, a la necesidad de una nueva categoría de perfiles profesionales que sean capaces de lidiar con estas cuestiones. A este perfil es al que se le denomina como científicos de datos.

Dicho sea de paso, perfil objetivo del grado de Business Data Analytics de Mondragon Unibertsitatea, y que no corresponde a un/a profesional dirigido a estar entre bambalinas, sino a un rol de puente entre un perfil técnico y el de dirección que ayude en la gestión general de las organizaciones.

El tercer escalón es el de nivel de Analítica 3.0, siendo éste una combinación de la primera y la segunda. Corresponde a la utilización sistemática de datos que den cuenta de lo que hacen los clientes actuales y potenciales, pero también información fehaciente de lo que está ocurriendo en todas y cada una de las áreas de relevancia de la organización.

Esta fase no solo consiste en analítica, sino que el dato está integrado en los procesos de producción y sistemas a tiempo real. La analítica, más allá de ser utilizada para tomar decisiones, es integrada en productos, servicios y procesos mediante distintas tecnologías, dando la posibilidad de poder crear modelos, entre otros, de servicios basadas en predicción de necesidades, y resultando de valor clave para los clientes. Muy bien, ¿y la Analítica 4.0? La cuestión es que las tres anteriores tenían una cosa en común, y era que la analítica estaba dirigida por las personas. Estas generaban una hipótesis de lo que querían obtener, después recopilaban los datos, para terminar indicando a un programa determinado lo que tenía que hacer con ellos. La cuestión es que el cambio a día de hoy es aún mucho más profundo, y consiste en la incorporación de la inteligencia artificial y tecnologías cognitivas como el machine learning. En esta etapa son las propias máquinas las que crean los modelos, determinan la utilidad de los datos y crean nuevos modelos por ellas mismas.

Todos estos cambios, antes o después, tendrán consecuencias importantes en las organizaciones. Ya hacen falta nuevas capacidades y competencias por parte de las personas, nuevas formas de gestionar y estrategias que incorporen nuevos de modelos de negocio para no quedarse apeados de los mercados. En la medida en que los datos y la analítica se integren en todas las áreas y procesos de trabajo, se requerirá, a su vez, la incorporación de cambios organizacionales y culturales que ello requiere. ¿El problema? Que muchas organizaciones carecen de un liderazgo decidido en estos ámbitos. Será imposible beneficiarse de lo que todo este enfoque de trabajo puede aportar a la sostenibilidad de nuestras organizaciones sin una convicción clara de la necesidad de subirse a este tren. Esto requiere un cambio cultural, y ningún cambio cultural se produce sin una determinación y apuesta clara.

Los modelos de negocio que serán competitivos en el futuro requieren de nuevas competencias de gestión, donde la analítica no solo servirá para saber lo que pasa, sino para hacer lo que se hace mejor, aportando más al cliente, e incidiendo directamente en el nivel de competitividad.

Mondragon Unibertsitatea. Investigación y transferencia