Los constantes avances tecnológicos, así como el proceso de transformación digital, está permitiendo a las compañías tomar cada vez más decisiones de negocio basadas en el data en todos los niveles. Pero, ¿qué pasa cuando esta información es imprecisa? ¿O se interpreta erróneamente? Gartner Research habla de pérdidas de 15 millones de dólares de media en las organizaciones anualmente a causa de los datos de poca calidad. ¿Estás seguro que no está perjudicando también a tu negocio?
El dirty data (o datos sucios, en español) provoca dolores de cabeza a cualquier analista pero, sobre todo, en proyectos de Big Data donde su detección es muy compleja. Según este artículo de The New York Times, se estima que un Data Scientist dedica el 50-80% de su tiempo a la recolección y preparación de datos digitales antes de poderlos explorar. El coste de “data cleaning” es elevado pero, probablemente, ni se acerca a las posibles consecuencias de trabajar con datos imprecisos.
Compartimos algunas ideas para facilitar la preparación de datos y, también, para activarlos y conseguir insights de negocio con más rapidez. ¿Estás analizando las cifras correctas?
¿Cómo agilizar el proceso de preparación de datos?
Cuando hablamos de dirty data, nos referimos a datos duplicados, incorrectos, incompletos, desactualizados… información que puede alterar los resultados de nuestros análisis por su falta de exactitud. Desafortunadamente, es muy fácil que tu compañía acumule este tipo de data ya que suele generarse por equivocaciones humanas, incompatibilidades entre formatos utilizados por distintas soluciones, registros no válidos, cambios en los workflows… La lista puede ser muy larga.
Si quieres mejorar la calidad de tus datos y agilizar el proceso de análisis, aquí tienes un par de ideas que pueden irte bien para prevenir incoherencias:
1. Definición de un estándar para tu compañía
Un paso importante para evitar problemas de calidad es conocer todo el proceso de tratamiento del dato, desde cómo se está recogiendo, a través de qué sistemas y con qué estructuración, hasta con qué objetivos de análisis o de negocio. Necesitas establecer un estándar que defina todas estas cuestiones y se aplique en toda la organización. Así, si surge cualquier duda, el analista podrá consultarlo.
Es aconsejable involucrar a los distintos equipos para que se pueda llegar a un acuerdo común que evite los silos. Las exigencias del día a día propician que cada profesional trabaje sólo con aquello que necesita duplicando así datos y procesos que no son reutilizables. El estándar debe revisarse periódicamente para ir adaptándolo a los requerimientos del negocio y contemplar los distintos puntos de vista de los diferentes equipos.
2. Soluciones adecuadas y flexibilidad
El proceso de preparación de datos para el análisis, en general, no es rápido y suele ser responsabilidad del equipo de tecnología. En consecuencia, cuando los marketers que trabajan con timings más ajustados consiguen acceder, el data quizás ya no responde a todas las preguntas con la exactitud deseada (o está desactualizado).
Por este motivo, es importante intentar simplificar los workflows el máximo posible incorporando herramientas que faciliten la preparación. En algunas compañías, por ejemplo, se han desarrollado soluciones específicas que automatizan o distribuyen el trabajo entre distintos equipos. El objetivo, al final, es integrar todos tus data sets en un mismo repositorio (Data WareHouse, Data Lake…) para facilitar así su posterior activación.
Y con los datos listos… sólo nos queda visualizarlos
Si ya has superado la fase de preparación y estás seguro de la calidad de tu data, es el momento de pasar al análisis y conseguir insights que justifiquen tus decisiones de negocio. Y aquí tu aliado serán las herramientas de visualización de datos que pueden ayudarte a identificar visualmente patrones, tendencias o áreas de mejora. Se conectan con tus fuentes para permitirte pintar la información.
En realidad, algunas de estas soluciones incorporan funcionalidades para agilizar el proceso de preparación de datos pero ese no es su principal objetivo. ¿Has intentado alguna vez darle sentido a un Excel con miles de números? Detectar anomalías en tus ventas, entender qué factores influyen en el customer journey o lanzar predicciones sobre los resultados de campaña sólo es posible si representas esos datos.
Ya lo hemos repetido varias veces en nuestro blog pero, si aún no las utilizas, te recomendamos que empieces a experimentar con este tipo de herramientas. Data Studio, la solución de Google, por ejemplo, es gratuita y se caracteriza por ser muy intuitiva aunque no permite análisis tan complejos ni avanzados como en Tableau o en Qlickview. Aquí compartimos una guía básica para construir tu primer dashboard con Data Studio.
Además, te aconsejamos echarle un vistazo a este recopilatorio de opiniones de expertos en DataViz y, también, descargarte nuestro ebook sobre visualización.
¿Tienes problemas en el proceso de preparación de datos? ¿Estás aprovechando las herramientas de visualización disponibles en el mercado? Déjanos cualquier duda en la sección de comentarios.
