Cuando & # 39; victorias rápidas & # 39; conducir a un largo error en la ciencia de datos


Trabajé con muchos clientes para ayudarlos a iniciar una operación de ciencia de datos por primera vez. Este es un gran desafío para cualquier empresa, ya sea una mala startup o un gigante de Fortune 500.

Mucho se ha escrito sobre por qué fracasan tantas de estas iniciativas. Sin embargo, creo que hay un modo de falla para estos proyectos que está lejos de recibir suficiente atención. Este es el caso cuando un enfoque en "ganancias rápidas" en última instancia conduce a un "largo error".

¿Por qué victorias rápidas?

Cuando una organización intenta aplicar la ciencia de datos por primera vez, hay una serie de desafíos comunes que deben superarse.

Primero, no hay conocimiento institucional de la ciencia de datos. Esto significa que las partes interesadas de toda la organización no pueden saber cómo o si la ciencia de datos se puede aplicar a sus problemas. Tendrás una forma establecida de hacer las cosas. y su forma de hacer las cosas puede ser bastante buena. Sin embargo, dado que la ciencia de datos ni siquiera está en el radar, debe ayudarlos a comprender un poco acerca de la ciencia de datos antes de siquiera pensar en usarla.

VB Transform 2020 en línea – 15.-17. Julio. Únase a los principales líderes de IA: regístrese para la transmisión en vivo gratuita.

En segundo lugar, los procesos operativos y la infraestructura técnica de la organización no son adecuados para soportar la ciencia de datos. Los datos se distribuyen a los silos que se han creado para responder preguntas específicas. Ninguna persona tiene una visión general de toda la información disponible. Los procedimientos para administrar el negocio, interactuar con los clientes, procesar transacciones, etc., están estrechamente relacionados con los roles de los empleados en la empresa y con la infraestructura actual.

En resumen, se requiere mucha educación y trabajo básico. Y si está en una organización que no tiene experiencia en ciencia de datos, es probable que exista cierto escepticismo sobre la inversión inicial necesaria de tiempo y dinero.

Por lo tanto, la "victoria rápida". Encuentre un proyecto con pocos requisitos técnicos u operativos. Aplique métodos de ciencia de datos, genere resultados medibles y muestre el valor lo más rápido posible. Use ganancias rápidas para reclutar aliados y justifique las grandes inversiones que se requerirán.

Modos de falla para ganancias rápidas

Esta es una estrategia perfectamente razonable, incluso necesaria. Y puede funcionar. Pero también lo he visto fallar de maneras sutiles que son difíciles de ver porque a la larga es posible fallar al tener éxito repetidamente a corto plazo.

La naturaleza de la ganancia rápida es que no requiere una revisión importante de los procesos comerciales. Eso lo hace rápido. Sin embargo, esto significa que la ganancia rápida no conduce a una forma diferente de hacer negocios. Las personas harán las mismas cosas que siempre hicieron, pero tal vez un poco mejor.

Por ejemplo, supongamos que Bob dirigió una exitosa cadena de puestos de limonada. Bob abre un puesto, vende limonada y finalmente selecciona el siguiente lugar para abrir. Supongamos que Bob contrata a un científico de datos llamado Alice. Para su proyecto de victoria rápida, Alice decide usar modelos de ciencia de datos para determinar los mejores lugares para abrir puestos de limonada. Alice hace un gran trabajo, Bob usa sus resultados para elegir nuevas ubicaciones y la compañía ve un crecimiento saludable de sus ganancias.

¿Cuál podría ser el problema? Tenga en cuenta que nada ha cambiado en el funcionamiento diario de los puestos de limonada debido al trabajo de Alice. Aunque ella ha demostrado el valor de la ciencia de datos, un empleado en el negocio de puestos de limonada no necesariamente notaría cambios. No es que haya optimizado su cadena de suministro, cambiado su interacción con los clientes o adaptado la receta de limonada para ciertos vecindarios. La única diferencia es que en lugar de hurgar en las hojas de cálculo para encontrar la ubicación más cercana para un puesto de refrescos, Bob ahora está mirando informes que generó el modelo de Alice.

Este es un aspecto casi necesario de la estrategia de ganancias rápidas. Pero tiene algunas ramificaciones peligrosas.

Primero, a nadie se le pidió que imaginara nuevos métodos operativos para el negocio de puestos de limonada. En cambio, solo se les mostró que hay formas más efectivas de hacer las mismas cosas que siempre hacían. En todo caso, los procesos comerciales existentes se han vuelto inadvertidamente más firmes porque Alice les mostró a todos cómo extraer un poco más de valor incremental. Cuando esto sucede, es probable que Alice reciba muchas solicitudes de otras personas en toda la organización para ayudarlas a hacer su trabajo un poco mejor.

Segundo, las victorias rápidas rara vez cambian el juego. Estas no son las mejoras de 10 veces que Data Science a menudo puede ofrecer cuando se realiza correctamente. Digamos que debido al trabajo de Alice, los nuevos puestos de limonada son un 5% más rentables. Este es un muy buen resultado y tiene un impacto en los negocios. Pero ahora no podemos culpar a la gente de que las mejoras incrementales son para lo que la ciencia de datos es buena. Dado que Bob hizo la inversión para contratar a Alice y ella vio un aumento de ganancias del 5%, no podemos culpar a Carol por el impacto que los equipos de ciencia de datos pueden esperar. Las expectativas de las personas están ancladas en mejoras incrementales.

En tercer lugar, existe un anclaje similar con respecto a las inversiones en ciencia de datos. Alice eligió este primer proyecto porque no tomó mucho tiempo, dinero o personal. Así que no podemos culpar a Carol si comienza a pensar que la ciencia de datos no requiere mucha inversión.

Entonces la rápida victoria de Alice falló. Aunque esta solo debería ser la primera entrada de la compañía en la ciencia de datos y el proyecto fue un éxito, ahora se ha vuelto más difícil hacer ciencia de datos a largo plazo. Alice corre el riesgo de ser arrastrada a una organización de trabajo incremental de bajo impacto que cada vez es menos probable que realice las inversiones necesarias en ciencia de datos.

En mi experiencia, este es un modo de falla muy común para los nuevos equipos de ciencia de datos. Las empresas invierten en ciencia de datos porque promete ser transformadora. En cambio, se convierte en nada más que una nueva forma brillante de hacer las mismas cosas aburridas, y solo ofrece mejoras graduales en la eficiencia. Y este fracaso a largo plazo se desliza sobre las personas porque es el resultado del éxito repetido en obtener ganancias rápidas.

Evitando victorias pírricas de victorias rápidas

Dije antes que la estrategia de victoria rápida puede funcionar. Y si puede. Pero debe pensar a largo plazo, incluso si desea lograr resultados a corto plazo.

La clave para evitar esta trampa es construir un plan a largo plazo en el proyecto de victoria rápida. Haga que la ganancia rápida sea un paso gradual hacia una meta más grande y verdaderamente transformadora.

Volvamos a Alice. Supongamos que fue a Bob con la siguiente sugerencia:

“Nuestro mayor gasto es el alto costo del azúcar. Si optimizamos nuestra cadena de suministro y nuestro proceso de licitación de azúcar, podemos cambiar el negocio. Necesitamos ofertas inteligentes en tiempo real, entregas justo a tiempo basadas en pronósticos dinámicos de demanda y envío inteligente de entregas a nuestros puestos de limonada.

Todavía no podemos hacer esto. Sin embargo, podemos acercarnos un paso más optimizando las ubicaciones de los nuevos puestos de limonada. De esta manera, los puestos de limonada se ubican en los lugares más adecuados para estos cambios cuando llegamos a un punto en el que podemos optimizar nuestra cadena de suministro y nuestra red de entrega. “

Entonces Alice puede hacer el mismo proyecto ganador rápido que antes. En el camino, logrará un aumento decente en las ganancias de la empresa. Pero ahora la lección que la gente está aprendiendo es completamente diferente. Si Alice hace un buen trabajo al fortalecer continuamente su visión a largo plazo para la compañía, la gente verá su trabajo como un paso hacia un objetivo mucho más ambicioso. El beneficio rápido puede usarse como un argumento convincente para las inversiones que Alice necesita para transformar el negocio.

En resumen, esta es la forma de evitar que una victoria rápida conduzca a un largo fracaso. Pero para lograr esto, todos deben ser mucho más estratégicos desde el principio. Aquí hay algunos consejos específicos:

  1. Establezca una asociación entre la ciencia de datos y las personas que entienden las oportunidades para la transformación a largo plazo. Los científicos de datos deben aprender a escuchar a estas personas para que comprendan dónde se encuentran las oportunidades a largo plazo para mejorar 10 veces.
  2. Elija un proyecto ganador rápido porque es un paso hacia ese objetivo, no solo porque podría generar valor rápidamente. Si no puede convertir su ganancia rápida en una meta a largo plazo, este no es el proyecto correcto. Esto puede significar que su victoria rápida no es tan rápida como podría ser. Pero eso está bien.
  3. Incansablemente refuerza la visión. Hable acerca de la transformación a largo plazo cada vez que informe sobre el estado del proyecto. Las personas que no están acostumbradas a pensar en ciencia de datos necesitan fortalecer su visión. Ayude a las personas a comprender que sus trabajos pueden cambiar significativamente y que esto es algo bueno.

Conclusión

En resumen, para evitar la trampa de victoria rápida, se requieren dos elementos. Primero, debe centrarse en el objetivo transformador a largo plazo, incluso si está tratando de vender un proyecto con un alcance limitado. En segundo lugar, incluso si se enfoca en el trabajo a corto plazo, debe ayudar a todos a vigilar la visión a largo plazo al reafirmar constantemente el mensaje de que esto es solo un paso a largo plazo. El resultado final es una oportunidad para una transformación integral y una ciencia de datos fascinante en el camino.

Zac Ernst es jefe de ciencia de datos en la empresa de seguros de automóviles Clearcover.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *