Artículos

La representación de datos mediante gráficos como tablas, diagramas, infografías, mapas de calor, nubes de burbujas, diagramas de dispersión y gráficos mekko se denomina visualización de datos. Estas pantallas visuales y la representación de la información ayudan a comunicar relaciones de datos complejas y conocimientos basados en datos de una manera que facilita la comprensión y la base de decisiones.

El objetivo de la visualización de datos es ayudar a identificar patrones y tendencias a partir de grandes conjuntos de datos. Los datos se refieren al procesamiento de las visualizaciones inmersivas e interactivas que muestran los datos nuevos a medida que se transmiten. Hay un gran volumen de datos disponibles en la actualidad, y para obtener algún beneficio de esa abundancia de datos, el análisis en tiempo real se ha vuelto extremadamente necesario para que las empresas obtener una ventaja sobre su competencia. Las visualizaciones en tiempo real pueden ser muy útiles para las empresas que deben tomar decisiones estratégicas o sobre la marcha.

Es útil para las empresas que necesitan lidiar con el riesgo, tanto administrándolo como respondiendo si algo sale mal. Y, para aquellas empresas que pueden usar estas visualizaciones en tiempo real para aprovechar las oportunidades emergentes antes de que alguien más lo haga. Las visualizaciones en tiempo real funcionan mejor cuando la acción basada en entradas debe tomarse de inmediato al proporcionar contexto a los tomadores de decisiones.

Beneficios comerciales de la visualización de datos:

Procesamiento de información: Con un flujo constante de datos que se generan en tiempo real, es imposible procesarlos y darles sentido con solo mirarlos. La visualización ayuda a dar sentido al desorden de números y texto de una mejor manera. También es más fácil absorber e interpretar los datos cuando se presentan visualmente.

Perspectivas relevantes: La visualización de datos brinda información relevante al conectar y mostrar patrones de cómo se conectan los diferentes conjuntos de datos. Esto puede ayudar a identificar y extraer fácilmente tendencias y patrones que, de otro modo, no serían visibles a partir de los datos sin procesar. Esto es especialmente importante cuando se presentan datos de transmisión y se pueden pronosticar tendencias utilizando visualizaciones en tiempo real.

En los sistemas comerciales financieros, tales visualizaciones de datos en tiempo real pueden mostrar el ROI, las ganancias y las pérdidas en tiempo real y ayudar a las empresas a tomar decisiones inmediatas.

Operaciones comerciales: las visualizaciones de datos ofrecen a las empresas una visión general de la relación actual entre varias secciones y operaciones del negocio. Ayuda en el proceso de toma de decisiones y en la gestión de métricas comerciales críticas. Puede ayudar a revisar y analizar áreas de mejora.

Toma de decisiones: El patrón se vuelve más claro con la visualización de datos, lo que facilita la toma de decisiones más rápidas. Dado que existe una sincronización entre los datos en tiempo real y su visualización, las empresas pueden tomar decisiones rápidas que pueden afectar significativamente a la organización.

Análisis de clientes: La visualización de datos en tiempo real ayuda a analizar los datos de los clientes para comprender la tendencia del negocio. Puede revelar información sobre la comprensión y el conocimiento del público objetivo, sus preferencias y más. Tales conocimientos pueden ser útiles en el diseño de estrategias que puedan abordar los requisitos del cliente.

Ahorra tiempo: Es más fácil de entender, procesar y tomar decisiones basadas en datos representados gráficamente en lugar de pasar por toneladas de informes con datos sin procesar y generar informes a tiempo. Las visualizaciones de datos en tiempo real ayudan a ahorrar tiempo al categorizar y mostrar tendencias y patrones en tiempo real.

Interacción de datos: La visualización de datos ayuda a agrupar y categorizar datos y alienta a los empleados a dedicar tiempo a la interacción de datos a través de la visualización de datos. Esto conduce a mejores ideas y ayuda en la resolución de problemas. Ayuda a diseñar y crear soluciones comerciales procesables.

La visualización de datos en tiempo real proporciona un contexto adicional para los responsables de la toma de decisiones que necesitan responder de inmediato cuando se enfrentan a un riesgo y también para aquellas empresas que necesitan tomar decisiones rápidas antes de perder una oportunidad.

Algunos de los casos de uso para visualizaciones de datos en tiempo real son:

• Identificación de tendencias: Las empresas de ventas y marketing se basan en las tendencias y la identificación de picos o interrupciones en un formato visual mediante la visualización de datos en tiempo real puede ayudar en la toma de decisiones.
• Seguimiento de objetivos: Mediante el uso de la visualización de datos en tiempo real, los objetivos y los resultados se pueden monitorear a medida que se logran y se pueden tomar medidas para corregirlos en caso de que no se cumplan.
• Acceder a pantallas de datos de forma remota: Los gerentes de ventas y sus equipos necesitan acceso instantáneo a los CRM en el campo. Las visualizaciones de datos en tiempo real pueden ayudar a conectarse y brindar los detalles necesarios en los dispositivos móviles para tomar decisiones sobre la marcha.
• Compra: La visualización de datos en tiempo real puede mostrar las tendencias del mercado, lo que puede ser extremadamente útil para las empresas que comercian con productos básicos. La representación gráfica puede mostrar el movimiento claramente.
• Gestión de recursos: La visualización en tiempo real puede mostrar eficiencias e ineficiencias, y ayuda a las organizaciones a tomar decisiones correctivas efectivas en caso de problemas.
• Seguridad y prevención del fraude: Las visualizaciones de datos en tiempo real brindan una oportunidad para situaciones de riesgo y ayudan a reducir los problemas operativos diarios al extraer datos de diferentes fuentes y proyectarlos en formas gráficas en un solo lugar.
• Gestión de crisis: La visualización de datos en tiempo real ayuda a manejar los riesgos al mostrar análisis en tiempo real de cualquier evento emergente.

Conclusión

Los datos son la clave para la toma de decisiones en cualquier negocio. Ayudar al proceso de toma de decisiones mediante la representación activa de datos en tiempo real mediante el uso de diferentes métodos de visualización y representación en tiempo real puede brindarle a la empresa una ventaja competitiva ganadora.

¿QUÉ ES LA ALFABETIZACIÓN DE DATOS?

La alfabetización de datos es la capacidad de leer, escribir y comunicar datos en contexto, incluida una comprensión de las fuentes de datos y construcciones, métodos analíticos y técnicas aplicadas, y la capacidad de describir el caso de uso aplicación y valor resultante.

PASO #1: ESTABLECER UNA LÍNEA DE BASE UTILIZANDO DATOS DE REGISTRO

Recopile datos de registro de sus herramientas de BI para comparar las tasas actuales de adopción y uso

PASO #2: IDENTIFIQUE GRUPOS QUE NO USAN DATOS

Utilizando los datos consolidades de logs, identificar grupos y usuarios con el mas bajo nivel de compromiso.

PASO #3: EVALUAR DATOS LITERATURA

Llevar a cabo una evaluación de la alfabetización de datos. Identifica necesidades únicas de grupos con diferentes niveles de habilidad.

PASO #4: IDENTIFIQUE CAMPEONES EN DATOS

Identifique usuarios avanzados y departamentos altamente calificados. Reclutar campeones de datos.

PASO #5: CREAR RECURSOS EDUCACIONALES

Entreviste campeones, grabe videos sobre mejores prácticas, crear casos de uso, consejos y trucos que ayudarán a educar otros grupos.

PASO #6: LANZAR UNA CAMPANA EDUCATIVA.

Enseñe y distribuya los recursos educacionales a lo largo de la organización.

PASO #7: MEDIR EL PROGRESO: EJECUTAR Y REPETIR.

Mida los cambios y adopciones sobre el rendimiento del negocio. Realice otra evaluación de habilidades.

Los algoritmos y el software de Dongarra impulsaron el crecimiento de la computación de alto rendimiento y tuvieron un impacto significativo en muchas áreas de la ciencia computacional, desde la IA hasta los gráficos por ordenador

Nueva York, NY, 30 de marzo de 2022 – ACM, la Asociación para la Maquinaria Informática, ha nombrado hoy a Jack J. Dongarra ganador del Premio ACM A.M. Turing 2021 por sus contribuciones pioneras a los algoritmos numéricos y las bibliotecas que permitieron que el software de computación de alto rendimiento siguiera el ritmo de las mejoras exponenciales del hardware durante más de cuatro décadas. Dongarra es profesor distinguido de informática en el Departamento de Ingeniería Eléctrica e Informática de la Universidad de Tennessee. También es miembro del Oak Ridge National Laboratory y de la Universidad de Manchester.

El premio ACM A.M. Turing, a menudo a denominado «Premio Nobel de la Informática», está dotado con un millón de dólares y cuenta con el apoyo financiero de Google, Inc. Lleva el nombre de Alan M. Turing, el matemático británico que articuló los fundamentos matemáticos y los límites de la informática.

Dongarra ha liderado el mundo de la computación de alto rendimiento gracias a sus contribuciones a los algoritmos numéricos eficientes para las operaciones de álgebra lineal, los mecanismos de programación de la computación paralela y las herramientas de evaluación del rendimiento. Durante casi cuarenta años, la Ley de Moore produjo un crecimiento exponencial del rendimiento del hardware. Durante ese mismo tiempo, mientras la mayor parte del software no pudo seguir el ritmo de estos avances del hardware, el software numérico de alto rendimiento sí lo hizo, en gran parte gracias a los algoritmos, las técnicas de optimización y las implementaciones de software de calidad de producción de Dongarra.

Estas contribuciones establecieron un marco a partir del cual los científicos e ingenieros hicieron importantes descubrimientos e innovaciones que cambiaron el juego en áreas como el análisis de grandes datos, la salud, la energía renovable, la predicción del tiempo, la genómica y la economía, por nombrar algunas. El trabajo de Dongarra también ayudó a facilitar los avances en la arquitectura de los ordenadores y apoyó las revoluciones en los gráficos por ordenador y el aprendizaje profundo.

La mayor contribución de Dongarra fue la creación de bibliotecas y estándares de software de código abierto que emplean el álgebra lineal como un lenguaje intermedio que puede ser utilizado por una amplia variedad de aplicaciones. Estas bibliotecas se han escrito para procesadores individuales, ordenadores paralelos, nodos multinúcleo y múltiples GPU por nodo. Las bibliotecas de Dongarra también introdujeron muchas innovaciones importantes, como el autoajuste, la aritmética de precisión mixta y los cálculos por lotes.

Como principal embajador de la computación de alto rendimiento, Dongarra se encargó de convencer a los proveedores de hardware para que optimizaran estos métodos y a los desarrolladores de software para que utilizaran sus bibliotecas de código abierto en su trabajo. En última instancia, estos esfuerzos dieron lugar a que las bibliotecas de software basadas en el álgebra lineal lograran una adopción casi universal para la computación científica y de ingeniería de alto rendimiento en máquinas que van desde los ordenadores portátiles hasta los superordenadores más rápidos del mundo. Estas bibliotecas fueron esenciales para el crecimiento del campo, permitiendo que ordenadores cada vez más potentes resolvieran problemas computacionales difíciles.

«Los superordenadores más rápidos de hoy en día acaparan los titulares de los medios de comunicación y despiertan el interés del público al realizar hazañas alucinantes de un cuatrillón de cálculos en un segundo», explica la presidenta de la ACM, Gabriele Kotsis. «Pero más allá del comprensible interés por la superación de nuevos récords, la computación de alto rendimiento ha sido un importante instrumento de descubrimiento científico. Las innovaciones de la computación de alto rendimiento también se han extendido a muchas áreas diferentes de la informática y han hecho avanzar todo nuestro campo». Jack Dongarra desempeñó un papel fundamental en la dirección de la exitosa trayectoria de este campo. Su trabajo pionero se remonta a 1979 y sigue siendo uno de los líderes más destacados y comprometidos de la comunidad de la HPC. Su carrera ejemplifica sin duda el reconocimiento del Premio Turing a las «grandes contribuciones de importancia duradera»».

«El trabajo de Jack Dongarra ha cambiado fundamentalmente y ha hecho avanzar la computación científica», dijo Jeff Dean, Senior Fellow de Google y SVP de Google Research y Google Health. «Su profundo e importante trabajo en el núcleo de las bibliotecas numéricas más utilizadas del mundo subyace en todas las áreas de la computación científica, ayudando a avanzar en todo, desde el descubrimiento de fármacos hasta la predicción del tiempo, la ingeniería aeroespacial y docenas de campos más, y su profundo enfoque en la caracterización del rendimiento de una amplia gama de ordenadores ha llevado a importantes avances en las arquitecturas de los ordenadores que son muy adecuadas para los cálculos numéricos.»

Dongarra recibirá formalmente el premio ACM A.M. Turing en el banquete anual de premios de la ACM, que este año se celebrará el sábado 11 de junio en el Hotel Palace de San Francisco

CONTRIBUCIONES TÉCNICAS SELECTAS

Durante más de cuatro décadas, Dongarra ha sido el principal implementador o investigador de muchas bibliotecas como LINPACK, BLAS, LAPACK, ScaLAPACK, PLASMA, MAGMA y SLATE. Estas librerías se han escrito para procesadores individuales, ordenadores paralelos, nodos multinúcleo y múltiples GPU por nodo. Sus bibliotecas de software se utilizan, prácticamente de forma universal, para el cálculo científico y de ingeniería de alto rendimiento en máquinas que van desde los ordenadores portátiles hasta los superordenadores más rápidos del mundo.

Estas bibliotecas incorporan numerosas innovaciones técnicas de gran calado, como: Autotuning: a través de su proyecto ATLAS, premiado en la Conferencia de Supercomputación de 2016, Dongarra fue pionero en la búsqueda automática de parámetros algorítmicos que producen núcleos de álgebra lineal de eficiencia casi óptima, a menudo superando los códigos suministrados por los proveedores.

Aritmética de precisión mixta: En su artículo de la Conferencia de Supercomputación de 2006, «Exploiting the Performance of 32 bit Floating Point Arithmetic in Obtaining 64 bit Accuracy», Dongarra fue pionero en el aprovechamiento de las múltiples precisiones de la aritmética de punto flotante para ofrecer soluciones precisas con mayor rapidez. Este trabajo se ha convertido en un elemento fundamental en las aplicaciones de aprendizaje automático, como se ha demostrado recientemente en la prueba de referencia HPL-AI, que ha alcanzado niveles de rendimiento sin precedentes en los mejores superordenadores del mundo.

Cálculos por lotes: Dongarra fue pionero en el paradigma de dividir los cálculos de grandes matrices densas, que se utilizan habitualmente en simulaciones, modelado y análisis de datos, en muchos cálculos de tareas más pequeñas en bloques que pueden calcularse de forma independiente y concurrente. Basándose en su artículo de 2016, «Performance, design, and autotuning of batched GEMM for GPUs», Dongarra dirigió el desarrollo del estándar Batched BLAS para este tipo de cálculos, y también aparecen en las bibliotecas de software MAGMA y SLATE.

Dongarra ha colaborado a nivel internacional con muchas personas en los esfuerzos mencionados, siempre en el papel de impulsor de la innovación desarrollando continuamente nuevas técnicas para maximizar el rendimiento y la portabilidad, al tiempo que se mantienen resultados numéricamente fiables utilizando las técnicas más avanzadas. Otros ejemplos de su liderazgo son la interfaz de paso de mensajes (MPI), el estándar de facto para el paso de mensajes portátil en arquitecturas de computación paralela, y la API de rendimiento (PAPI), que proporciona una interfaz que permite la recopilación y síntesis del rendimiento de los componentes de un sistema heterogéneo. Los estándares que ayudó a crear, como MPI, el LINPACK Benchmark y la lista Top500 de superordenadores, sustentan tareas computacionales que van desde la predicción del tiempo hasta el cambio climático, pasando por el análisis de datos de experimentos de física a gran escala.

Antecedentes biográficos

Jack J. Dongarra es profesor distinguido de la Universidad de Tennessee y miembro distinguido del personal de investigación del Laboratorio Nacional de Oak Ridge desde 1989. También ha sido becario Turing en la Universidad de Manchester (Reino Unido) desde 2007. Dongarra se licenció en Matemáticas por la Universidad Estatal de Chicago, obtuvo un máster en Informática por el Instituto Tecnológico de Illinois y un doctorado en Matemáticas Aplicadas por la Universidad de Nuevo México.

Dongarra ha recibido, entre otros, el premio IEEE Computer Pioneer, el premio SIAM/ACM en Ciencia e Ingeniería Computacional y el premio ACM/IEEE Ken Kennedy. Es miembro de la ACM, el Instituto de Ingenieros Eléctricos y Electrónicos (IEEE), la Sociedad de Matemáticas Industriales y Aplicadas (SIAM), la Asociación Americana para el Avance de la Ciencia (AAAS), la Conferencia Internacional de Supercomputación (ISC) y el Instituto Internacional de Ingeniería y Tecnología (IETI). Es miembro de la Academia Nacional de Ingeniería y miembro extranjero de la Real Sociedad Británica.

Acerca del Premio A.M. Turing de la ACM

El Premio A.M. Turing lleva el nombre de Alan M. Turing, el matemático británico que articuló los fundamentos matemáticos y los límites de la informática, y que fue un colaborador clave en el criptoanálisis aliado de la clave Enigma durante la Segunda Guerra Mundial. Desde su creación en 1966, el Premio Turing ha honrado a los científicos e ingenieros informáticos que crearon los sistemas y los fundamentos teóricos subyacentes que han impulsado la industria de la tecnología de la información.

Acerca de ACM

ACM, la Association for Computing Machinery, es la mayor sociedad educativa y científica de informática del mundo, que une a educadores, investigadores y profesionales para inspirar el diálogo, compartir recursos y abordar los retos de este campo. ACM refuerza la voz colectiva de la profesión informática a través de un fuerte liderazgo, la promoción de los más altos estándares y el reconocimiento de la excelencia técnica. La ACM apoya el crecimiento profesional de sus miembros ofreciéndoles oportunidades de aprendizaje permanente, desarrollo de su carrera y creación de redes profesionales.

Aunque el primer director de datos se contrató hace casi 20 años, muchas organizaciones están empezando a darse cuenta del valor de los datos y buscan a alguien que supervise sus operaciones de datos.

La función de director de datos se desarrolló cuando las organizaciones empezaron a darse cuenta del valor de los datos.

Capital One contrató al primer Chief Data Officer (CDO) conocido en 2002, pero hasta hace 10 años esta función seguía siendo bastante rara. Desde entonces, sin embargo, las organizaciones se han dado cuenta de que los datos son un activo, y muchas han tomado medidas para maximizar su valor, incluyendo la contratación de un director de datos.

La necesidad de un director de datos surgió porque, cuando las organizaciones comenzaron el proceso de obtener valor de los datos, éstos solían estar desorganizados. Por lo tanto, las organizaciones necesitaban a alguien que supervisara la tarea, a veces monumental, de unir datos de fuentes dispares y convertirlos en una herramienta funcional para impulsar el proceso de toma de decisiones.

En los años transcurridos desde entonces, la función se ha hecho más común, y la responsabilidad del director de datos es permitir que las organizaciones obtengan el máximo valor de sus datos.

Un estudio de NewVantage Partners publicado en enero de 2021 reveló que el 76 % de lo que denominó empresas de primer orden –grandes corporaciones como American Express, Bank of America, Capital One, Cigna, JPMorgan Chase, Liberty Mutual, Mastercard, McDonalds, Visa y Walmart– tienen ahora directores de datos y/o directores de análisis, frente al 12 % en 2012 y el 65 % en 2020.

Pero mientras que las grandes empresas, y sectores enteros como los servicios financieros, han estado a la vanguardia de la contratación de directores de datos, otros, como las organizaciones educativas, están empezando a reconocer la importancia de la función y a incorporar directores de datos a sus plantillas. La misma encuesta de NewVantage Partners reveló que solo el 24,4 % de los encuestados afirma haber forjado una cultura de datos y el 24 % dice haber creado una organización basada en los datos.

La pandemia, por su parte, ha puesto de manifiesto el valor de los datos.

Recientemente, Cindi Howson, directora de estrategia de datos del proveedor de análisis ThoughtSpot y presentadora del podcast The Data Chief, se tomó el tiempo de hablar sobre el papel del director de datos. En una entrevista, explica cómo se originó la función, cómo ha evolucionado desde entonces y hacia dónde puede dirigirse.

¿Cuáles son las responsabilidades de un director de datos?
Cindi Howson: Un director de datos es una persona que, en la primera generación, puso en orden la casa de datos de una empresa, reuniendo los datos bajo un paraguas en lugar de en silos, asegurándose de que estuvieran seguros. El cambio, una vez que la empresa ha hecho eso, es obtener valor de sus datos. En este punto, a veces se produce una bifurcación de funciones entre el director de datos y el director de análisis. Incluso vemos que algunos combinan estos términos para convertir a alguien en un CDAO [chief data and analytics officer]. Pero la cuestión es obtener valor empresarial de los datos.

¿Qué diferencia hay entre un director de datos y un director de análisis?
Howson: Si pensamos que el objetivo de los datos es extraer valor de ellos, no debería haber ninguna diferencia. Yo los veo como una misma cosa. Se trata de una maduración del papel: un CDO maduro es el director de análisis. Dicho esto, hay algunas organizaciones en las que el director de análisis se ocupa mucho más del lado de la ciencia de los datos de las organizaciones, pero en última instancia el director de análisis debería ser responsable de organizar los datos, salvaguardarlos, aplicarlos al valor del negocio y crear productos de datos. Si no lo están haciendo, será mejor que lo haga otro.

¿Cuándo empezó a surgir el papel de director de datos y por qué?
Howson: Algunos de los primeros directores de datos se encontraban en los servicios financieros, en algunas de las empresas de tarjetas de crédito, y se dieron cuenta de que estaban recogiendo muchos datos, pero estaban aislados y el departamento de TI los controlaba y los almacenaba y capturaba. Pero limpiarlos y hacerlos utilizables requería un conjunto de habilidades ligeramente diferente. Por eso también se está viendo que las líneas de información del CDO cambian con el tiempo. Originalmente, la función surgió de TI –y muchos CDO todavía dependen del CIO–, pero cada vez se ve más que el CDO
depende del CEO o del director digital.

¿Qué tan común es esta función ahora?
Howson: Depende de la encuesta que se mire, y algunos sectores están mucho más maduros. En general, si miro todas las encuestas –Bain, Gartner, NewVantage Partners– diría que dos tercios de las organizaciones con muchos datos tienen un CDO. Pero hay algunas empresas grandes, multimillonarias, que no tienen un CDO. He visto que Peloton está contratando a su primer CDO, y mira su crecimiento en el último año. El año pasado, fue la primera vez que el CDC dijo que necesitaba un CDO; su casa de datos definitivamente no está en orden. Y ahora, en los últimos años, todas las agencias federales tienen su propio CDO, pero si nos remontamos a cinco años atrás eso no existía.

¿Qué organizaciones necesitan un director de datos y cuáles pueden prescindir de él?
Howson: Creo que todas las empresas que quieren estar orientadas a los datos necesitan un CDO, pero ¿las empresas que no están orientadas a los datos van a sobrevivir? Si nos preguntamos si una organización más pequeña necesita un CDO, esa responsabilidad puede residir en alguien que desempeñe una doble función. En un restaurante, podría ser el director de operaciones, o podrían tenerlo externalizado a través de una agencia que proporcione un CDO virtual. Todos necesitan datos. Puede que no tengan a alguien con el título de CDO, pero tendrán a alguien que tenga la responsabilidad de almacenar los datos, protegerlos y luego extraer valor de ellos.

Antes ha mencionado los sectores: ¿hay algunos sectores en los que se contratan más directores de datos que en otros?
Howson: Casi coincide con la madurez de los datos y el análisis de la industria. Si pensamos en los servicios financieros y en los viajes, ambos son sectores con gran cantidad de datos y tienden a tener directores de datos. En el otro extremo del espectro, los sectores menos maduros en cuanto a datos y análisis tienden, por desgracia, a ser los más importantes, como el de la educación y el de los proveedores de servicios sanitarios, que son muy diferentes de los pagadores de servicios sanitarios. Los pagadores de seguros son más maduros, pero los proveedores como los grandes sistemas hospitalarios –la
Clínica Mayo acaba de contratar a su primer CDO, por ejemplo– no lo son.

¿Qué es lo que un director de datos permite hacer a una organización con sus datos que no puede hacer una organización sin un director de datos?
Howson: Aquí es donde el CDO es un conector y un colaborador. Cuando se piensa en la captura de datos, está muy aislada. Tomemos como ejemplo una gran organización minorista. El comercio minorista es un sector muy rico en datos, pero tiene a los departamentos de ventas y marketing haciendo campañas publicitarias y de marketing, y luego tiene a los gestores de la cadena de suministro, a los comercializadores y a los sistemas de gestión de personal, y todos estos sistemas operativos están separados. Ahora, imagina que quieres intentar averiguar cómo dotar de personal a un almacén o a una entrega de comercio electrónico frente a cómo dotar de personal a las tiendas físicas. Tendrá que buscar en todos esos silos para averiguar la demanda, ver dónde se encuentran los empleados, averiguar si hay que hacer un anuncio y, si lo hace, averiguar si hay suficiente producto disponible. Necesitas esos datos en un lugar común, y si no los tuvieras nunca obtendrías ninguna visibilidad, ya sea una visión de 360 grados de los clientes, análisis de la cadena de suministro o análisis de la mano de obra.

¿Siguen existiendo obstáculos que los directores de datos tienen que superar en sus funciones o los directores de datos son ya aceptados en algunas partes de la jerarquíaorganizativa?
Howson: Ser un CDO es a la vez el mejor trabajo y el peor. Es el mejor trabajo porque el mundo se ha dado cuenta de la importancia absoluta de los datos para nuestra sociedad y para todas las empresas. Algunas personas con visión de futuro se han dado cuenta de ello en los últimos años, pero la pandemia, desde el punto de vista de las operaciones empresariales hasta el punto de vista de la atención sanitaria, ha lanzado los datos al centro del escenario. No se puede encender la televisión o leer un periódico donde no se hable de datos en algún contexto. Esto es una buena noticia para los CDO.
La mala noticia es que es uno de los trabajos más difíciles. Tienes que conocer la tecnología, hay grandes riesgos en las implicaciones y tienes que conocer el negocio. La empresa te empuja a hacer más, más rápido, y pide a los CDO que rompan las barreras, innoven y asuman riesgos. Pero el departamento de TI dice: «Vaya, esto es peligroso», por lo que se les presiona desde ambos lados, y creo que los CDO se agotan y se machacan, por lo que es un papel con mucha rotación.

¿Cuál es el panorama de los directores de datos? ¿Se convertirá en una función tan común como la del director financiero u otra función de la dirección?
Howson: Si eres una organización nativa digital, ¿tendrás realmente una función de CDO? Por ejemplo, acabo de tener como invitado en mi podcast al director de algoritmos, que es un avance del director de análisis, de Daily Harvest. Ellos no tienen un CDO formal. Necesita datos para crear los algoritmos. Es solo parte del proceso, y tal vez su casa de datos estaba en orden desde el principio en lugar de tenerlo construido en los sistemas transaccionales en las instalaciones. Entonces se convierte realmente en un producto de datos. Si se piensa en pasar de los datos a la información, es algo que se da por hecho, mientras que en el mundo predigital estaba mucho más orientado al proceso.

La planificación ha sido durante mucho tiempo una de las piedras angulares de la gestión. A principios del siglo XX, Henri Fayol definió la labor de los directivos como planificar, organizar, dirigir, coordinar y controlar. La capacidad y la voluntad de los directivos de planificar se desarrollaron a lo largo del siglo. La Dirección por Objetivos (DPO) se convirtió en el punto álgido de la moda empresarial a finales de la década de 1950. El mundo parecía predecible. El futuro podía planificarse. Por tanto, parecía sensato que los directivos identificaran sus objetivos. A continuación, podían centrarse en gestionar de forma que se alcanzaran esos objetivos.

Era el equivalente capitalista de los planes quinquenales del sistema comunista. De hecho, un teórico de la gestión de los años 60 sugirió que las organizaciones mejor gestionadas del mundo eran la Standard Oil Company de Nueva Jersey, la Iglesia Católica Romana y el Partido Comunista. La creencia era que si se trazaba el futuro, éste ocurriría.

Más tarde, el MBO evolucionó hacia la planificación estratégica. Las empresas crearon grandes unidades corporativas dedicadas a ello. Estaban deliberadamente desvinculadas de la realidad cotidiana de la empresa y hacían hincapié en los procedimientos formales en torno a los números. Henry Mintzberg definió la planificación estratégica como «un sistema formalizado para codificar, elaborar y hacer operativas las estrategias que las empresas ya tienen». La creencia fundamental seguía siendo que el futuro podía predecirse en gran medida.

Ahora, la planificación estratégica ha caído en desgracia. Ante los incesantes cambios tecnológicos, las fuerzas disruptivas de un sector tras otro, la competencia mundial, etc., la planificación parece una ilusión sin sentido.

Y sin embargo, la planificación es claramente esencial para cualquier empresa de cualquier tamaño. Observe su propia organización. El hecho de tener un lugar de trabajo equipado para ello, y de que usted y sus compañeros trabajen en un proyecto concreto en un momento y lugar determinados, requiere algún tipo de planificación. La realidad es que hay que hacer planes sobre el uso de los recursos de una empresa todo el tiempo. Algunos son a corto plazo, otros se extienden hasta un futuro imaginado.

Universalmente valiosa, pero desesperadamente pasada de moda, la planificación espera como una solterona en una novela de Jane Austen a que alguien reconozca su valor.

Pero los ejecutivos desconfían de la planificación porque les parece rígida, lenta y burocrática. El legado de Fayol persiste. Una encuesta de 2016 de HBR Analytics a 385 directivos reveló que la mayoría de los ejecutivos se sentían frustrados con la planificación porque creían que la velocidad era importante y que los planes cambiaban con frecuencia de todos modos. Para qué dedicarse a un ejercicio de planificación lento y doloroso si ni siquiera se va a seguir el plan?

Las frustraciones con las prácticas de planificación actuales se cruzan con otra tendencia de gestión fundamental: la agilidad organizativa. La reorganización en torno a pequeños equipos autogestionados -mejorados por métodos de agilidad como Scrum y LeSS- está surgiendo como la ruta hacia la agilidad organizativa necesaria para competir en la cambiante realidad empresarial. Uno de los principios clave que sustentan la agilidad basada en los equipos es que éstos deciden de forma autónoma sus prioridades y dónde asignar sus propios recursos.

La lógica de la planificación estratégica centralizada a largo plazo (realizada una vez al año en un momento fijo) es la antítesis de una organización rediseñada en torno a equipos que definen sus propias prioridades y la asignación de recursos semanalmente.

Pero si la planificación y la agilidad son necesarias, las organizaciones tienen que hacerlas funcionar. Tienen que crear un diagrama de Venn con la planificación en un lado, la agilidad en el otro, y un punto dulce práctico y viable en el medio.  Por ello, la búsqueda de un replanteamiento de la planificación estratégica nunca ha sido más urgente y crítica. La planificación al estilo del siglo XXI debe reconcebirse como planificación ágil.

La planificación ágil tiene una serie de características:

• Marcos y herramientas capaces de hacer frente a un futuro que será diferente
• La capacidad de hacer frente a cambios más frecuentes y dinámicos
• La necesidad de invertir tiempo de calidad para una verdadera conversación estratégica en lugar de ser simplemente un juego de números;
• Disponibilidad de recursos y fondos de forma flexible para las oportunidades que surjan.

La intersección de la planificación con la agilidad organizativa genera otros dos requisitos primordiales:

Un proceso capaz de coordinarse y alinearse con los equipos ágiles

Las organizaciones ágiles se enfrentan al reto de gestionar la autonomía local de los escuadrones (aportación de abajo a arriba) de forma coherente con una visión más amplia representada por los objetivos de la tribu y por las interdependencias entre tribus y las

prioridades estratégicas de la organización (visión de arriba a abajo). Para controlar esta tensión se necesitan nuevos procesos y rutinas de planificación y coordinación.

Pensemos en la empresa holandesa de servicios financieros ING Bank. Reestructuró sus operaciones en los Países Bajos reorganizando a 3.500 empleados en escuadrones ágiles. Se trata de equipos multidisciplinares autónomos (hasta nueve personas por equipo) capaces de definir su trabajo y tomar decisiones empresariales con rapidez y flexibilidad. Los escuadrones se organizan en una Tribu (de no más de 150 personas), un conjunto de escuadrones que trabajan en áreas relacionadas.

ING Bank revisó su proceso e introdujo reuniones y formatos rutinarios para crear una alineación entre las tribus y dentro de ellas. Cada tribu elabora un QBR (Quarterly Business Review), un documento de seis páginas en el que se describen las prioridades, los objetivos y los resultados clave a nivel de tribu.   A continuación, se discute en una gran reunión de alineación (denominada QBR Marketplace) a la que asisten los líderes de las tribus y otros dirigentes relevantes. En esta reunión se aborda una cuestión fundamental: cuando sumamos todo, ¿contribuye esto a los objetivos estratégicos de nuestra empresa?

La alineación dentro de una tribu se produce en lo que se denomina un evento de Mercado de Cartera: los representantes de cada una de las escuadras que componen la tribu se reúnen para acordar cómo se van a alcanzar los objetivos fijados y para abordar las oportunidades de sinergias.

El ejemplo de ING Bank muestra cómo el proceso de planificación sigue siendo necesario y esencial para una empresa ágil, aunque de forma diferente, con procesos, mecanismos y rutinas distintos.

A medida que más y más empresas se transformen en organizaciones ágiles, es probable que la planificación ágil se convierta en la nueva normalidad que sustituya al enfoque tradicional de planificación centralizada.

Un proceso que utiliza tanto datos duros ilimitados como el juicio humano

Tradicionalmente, los planificadores se han obsesionado con la recopilación de datos concretos sobre su sector, sus mercados y sus competidores. Los datos blandos -redes de contactos, conversaciones con clientes, proveedores y empleados, uso de la intuición y de la vid- han sido prácticamente ignorados.

A partir de los años 60, la planificación se construyó en torno al análisis.  Ahora, gracias al Big Data, la capacidad de generar datos es prácticamente ilimitada.  Esto no nos permite necesariamente crear mejores planes para el futuro.

Los datos blandos también son vitales. «Aunque los datos duros pueden informar al intelecto, son en gran medida los datos blandos los que generan sabiduría. Pueden ser difíciles de «analizar», pero son indispensables para la síntesis, la clave de la elaboración de la estrategia», dice Henry Mintzberg.

Las empresas tienen que imaginar primero las posibilidades y, en segundo lugar, elegir la que tenga el argumento más convincente.  Para decidir cuál es el argumento más convincente, deben tener en cuenta todos los datos que se puedan obtener. Pero, además, deben utilizar el juicio cualitativo.

En una organización ágil, los equipos utilizan el pensamiento de diseño y otras técnicas exploratorias (además de los datos) para tomar decisiones rápidas y cambiar el rumbo semanalmente. La toma de decisiones la realiza un equipo de personas, compensando así los posibles sesgos de una sola persona que toma una decisión basada en su juicio individual. Hasta cierto punto, una organización ágil basada en equipos permite la posibilidad de aprovechar los datos cualitativos y el juicio -combinados hoy con infinitos datos duros- para tomar mejores decisiones.

Confiar únicamente en los datos duros ha matado, sin duda, a muchas grandes empresas en potencia. Por ejemplo, Nespresso, el pionero de las cápsulas de café desarrollado por Nestlé.  Nespresso despegó cuando dejó de dirigirse a las oficinas y empezó a comercializar en los hogares. Había pocos datos sobre cómo responderían los hogares al concepto y la información disponible sugería un valor percibido por el consumidor de sólo 25 céntimos suizos, frente a un umbral exigido por la empresa de 40 céntimos. El equipo de Nespresso tuvo que interpretar los datos con habilidad para presentar un caso mejor a la alta dirección. Como creía firmemente en la idea, obligó a la empresa a asumir un riesgo mayor de lo habitual. Si Nestlé se hubiera guiado únicamente por un estudio de mercado cuantitativo, el concepto nunca habría despegado.

El enfoque tradicional de la planificación debe revisarse para servir mejor a los propósitos de la empresa ágil del siglo XXI. La planificación ágil es el futuro de la planificación. Este nuevo enfoque requerirá dos elementos fundamentales. En primer lugar, sustituir la tradicional obsesión por los datos duros y el juego de los números por una coexistencia más equilibrada de datos duros y blandos en la que el juicio también desempeñe un papel importante. En segundo lugar, la introducción de nuevos mecanismos y rutinas que garanticen la alineación entre los cientos de equipos locales autónomos autoorganizados y los objetivos y direcciones generales de la empresa.