Cómo una mala gestión de los interesados arruina los análisis

Una mala gestión de los interesados arruina los análisis.

Por qué tomar el control de la interfaz analista- interesado puede mejorar instantáneamente tu vida y hacer que tu trabajo sea más impactante

Acabas de comenzar un nuevo rol como analista. Estás emocionado por tener acceso interno a datos sobre, digamos, muebles para gatos, una industria que te apasiona profundamente. Llega tu primera solicitud: un ejecutivo quiere saber cuántos tipos de cajas de arena para gatos tienen. Ansioso por complacer, extraes los datos. “¡Perfecto! ¿Podrías también obtener el número de camas para gatos?” Te das cuenta de que sería más eficiente crear un panel de control para ella, así que lo haces. El ejecutivo está extasiado y sientes que has hecho bien, promoviendo el credo basado en datos.

¿Muebles para gatos? Imagen de Midjourney, utilizada con permiso.

Más tarde, descubres que esos números se utilizaron para respaldar un argumento sobre qué categorías se deben colocar en la página de inicio. Te sorprendes. Esos números no estaban destinados a ser utilizados de esa manera, y puedes pensar en una docena de formas más óptimas de obtener categorías. Obtuviste esos números para… bueno, nunca supiste por qué, pero no pensaste que era para eso. Ves el informe ejecutivo sobre la iniciativa y te das cuenta de que tus datos se han utilizado para un análisis sin sentido. Ahí están tus datos, junto a argumentos tangenciales de manera ilógica. Te sientes incómodo con la falta de coherencia lógica, por lo que protestas ante el ejecutivo, pero ella te asegura que está bien.

“Solo necesitaba respaldar mis argumentos, y nadie lo mirará tan de cerca de todos modos”.

Suspiras y vuelves a construir más paneles de control. Esta vez, te enfocas en lo que puedes controlar: iniciativas de calidad de datos, construcción de modelos de datos más elegantes, optimización de tus consultas.

Imagino que la mayoría de ustedes, al igual que yo, han vivido esta historia una y otra vez. Y parece intratable porque los problemas parecen externos: nos alejamos de estas transacciones sintiendo que los interesados simplemente no entienden cómo funciona los datos. Atribuimos los problemas a una cultura corporativa rota y nos resignamos a encontrar impacto de alguna otra manera, al menos hasta que encontramos nuestro próximo rol en una empresa más “basada en datos”.

Pero en esta publicación, quiero hablar directamente sobre cómo mejorar esta situación y, por lo tanto, mejorar nuestra calidad de vida como analistas rompiendo este ciclo. En particular, argumentaré que nuestras dos fallas en el centro de la historia anterior son:

  1. Nuestra falta de tomar el control de cómo se utiliza nuestra información.
  2. Una comprensión deficiente de cómo se toman las decisiones.

Ahora, hablemos de cada uno de estos problemas.

Problema 1: necesitamos tomar más control de cómo se utiliza nuestra información.

La analítica es un imán de Dunning-Kruger: la mayoría de las personas piensan que entienden cómo interpretar los datos, pero muy pocas lo hacen bien. Después de todo, los peligros son numerosos. Esta dicotomía es un problema central en nuestra industria, e imagino que es por eso que a menudo somos subvalorados, incomprendidos y los primeros en ser despedidos cuando los ejecutivos reducen personal.

Un ejemplo de correlación espuria. Licencia Creative Commons de tylervigen.com.

Y desafortunadamente, nosotros, los analistas, facilitamos esta ilusión simplemente siendo quienes somos: investigadores, científicos, ermitaños; nos gusta: pensar, fluir, matemáticas, rigor; no nos gusta: responder a solicitudes ad hoc, persuasión. Cuando un colega se atreve a pedirnos ayuda, en el mejor de los casos, crearemos análisis brillantes y luego arrojaremos los resultados esotéricos en la dirección general de las personas que realmente lo necesitan. En el peor de los casos, enviaremos datos sin procesar sin ofrecer ninguna interpretación, dejando que los interesados (erróneamente) naveguen sesgos por sí mismos.

Y ese es el problema. Este tipo de comportamiento traiciona nuestra falta de comprensión de cómo debería funcionar la analítica: la responsabilidad no debe recaer en otros para que nuestro trabajo sea útil, debe recaer en nosotros. Ya he hablado anteriormente sobre cómo la analítica es una disciplina interfacial, pero una repercusión de esto es que debemos tomar cierto nivel de responsabilidad de la interfaz.

Considera cualquier otra disciplina interfacial y verás que los CI más efectivos operan de esta manera. Los grandes diseñadores, por ejemplo, construyen teniendo en cuenta consideraciones de ingeniería. Los grandes ingenieros analizan documentos de requisitos del producto y trabajan en estrecha colaboración con diseñadores y gestores de productos. Los representantes de servicio al cliente y los vendedores se encuentran con los clientes donde están, imagina lo efectivo que sería un vendedor si esperara a que los posibles clientes se pusieran en contacto con él.

Pero eso es lo que hacemos en la analítica. Operamos como una organización de servicio, en lugar de ser socios de pensamiento, y no es de extrañar cómo finalmente nos tratan. Y creo que como industria sabemos esto en lo más profundo de nuestros corazones. Colectivamente hemos soñado bibliotecas enteras de sabiduría operativa en los últimos años, todas las cuales parecen apuntar a una causa raíz común: no estamos tomando responsabilidad de la interfaz:

  • Deberíamos dirigir nuestros equipos como equipos de productos… porque los equipos de productos siempre están pensando en el cliente, así como nosotros deberíamos preocuparnos profundamente por cómo se utilizan nuestros análisis, la interfaz.
  • Deberíamos centrarnos menos en el trabajo técnico… porque el trabajo técnico es solo la mitad de la batalla. La entrega, la interfaz, es la otra mitad.
  • Deberíamos estar obsesionados con proporcionar interpretación a través de análisis, no solo datos sin procesar a través de paneles de control… porque la interfaz entre las partes interesadas y los analistas se media a través de la interpretación.
  • Necesitamos construir ecosistemas que busquen la verdad… que es, nuevamente, un modelo mental para comprender cómo debería ser la interfaz entre las partes interesadas.

Por lo tanto, es de tu interés tomar responsabilidad de cómo se utiliza tu trabajo. Pide acceso, únete a reuniones, sal de tu ermita por un momento y comparte tu filosofía renovada con tus partes interesadas. Es una puerta de entrada tanto para tu impacto como para el suyo.

Problema 2: no sabemos cómo funciona la toma de decisiones

Así que, por supuesto, apuesto a que la mayoría de nosotros intentamos manejar a nuestras partes interesadas de manera sincera. Pero aún así, nos tambaleamos, y eso me lleva al segundo gran obstáculo: no sabemos cómo participar en el proceso de toma de decisiones. Algunos de nosotros asumimos el manto de la pedantería, avanzando en el rigor por el simple hecho de tener rigor. Otras veces, nos sentamos en silencio en la esquina esperando ser llamados. ¿El problema? No sabemos cómo funciona la toma de decisiones y, por lo tanto, no sabemos cómo insertarnos útilmente en ese proceso. Así que hablemos sobre cómo funciona la toma de decisiones.

Solía ser un analista hardcore, pero en los últimos años, he tenido la maravillosa oportunidad de dirigir el producto en Hyperquery. Y aunque podrías pensar que construir una herramienta de datos no es tan diferente de hacer trabajo de datos, he sentido una inmensa disonancia cognitiva contra cómo solía operar como analista. Donde antes mi mundo era completamente cuantitativo, de repente me encontré tomando decisiones donde solo tenía datos cualitativos a mi disposición. Y así me adapté, he aprendido constantemente a tomar decisiones razonables a partir de una arcilla altamente ambigua. Pero a lo largo de toda esta experiencia, mi revelación más impactante fue esta: en los últimos tres años, ninguna decisión que he tomado se basó completamente en los resultados de una consulta SQL.

Incluso con los datos fácilmente disponibles para mí, e incluso con los datos en mi sangre, la verdad es: los datos simplemente nunca son lo más importante. Y a partir de esto, he llegado a la dura realización de que nosotros, como profesionales de los datos, tenemos una comprensión fundamental equivocada del papel de los datos en la toma de decisiones. En pocas palabras: simplemente no es importante de la manera que pensaba. Eso no significa que no sea importante, solo significa que no es la representación infalible y objetiva de la Verdad en la que solía creerme.

Los datos no cuentan toda la historia. Los datos son solo un punto de datos.

Imagen del autor.

Eso no quiere decir que no sea útil: los datos pueden ser increíblemente poderosos por sí solos. No te dicen qué hacer, pero pueden cerrar caminos alternativos. Nunca es equivalente a una decisión, pero puede actuar como un acelerante para una. No puede decirte qué hacer, pero puede hablar en nombre de tus clientes cuando ellos mismos se mantienen en silencio. No es la respuesta, pero puede simplificar la comprensión y proporcionar claridad que facilita ver una respuesta. Los datos me han ayudado a navegar la ambigüedad de la misma manera que lo hace la información cualitativa. Veo los datos, ajusto mis supuestos en consecuencia y camino por una ruta diferente en el laberinto de ideas. Y en esa capacidad, ha sido invaluable.

Pero es una caracterización de los datos que es completamente diferente a cómo entendía los datos como profesional de datos. Cuando todo tu mundo es datos, es fácil pensar que eso es todo lo que hay. Pero es importante entender el papel de nuestro trabajo para poder encajar mejor en las conversaciones de toma de decisiones. Nunca debemos forzar decisiones, pero aumentar nuestra comprensión contextual puede ayudarnos a hacer recomendaciones útiles. Estás sentado en el asiento del pasajero y, si sabes a dónde vas, puedes ayudar a enrutarte allí.

Comentarios finales

Ahora sé que todo eso parece más fácil decirlo que hacerlo. Estoy seguro de que la ambigüedad de mis consejos hasta ahora es tu mayor obstáculo en este momento. Para que esto sea un poco más claro, reconsideremos la historia desde el comienzo de esta publicación si las cosas fueran un poco diferentes. Una vez más, tu interesado quiere saber cuántos tipos de cajas de arena para gatos tienes. En lugar de ir directamente a una consulta, preguntas por qué. Resulta que el ejecutivo quiere seleccionar algunas categorías para la página de inicio. Ofreces sugerencias sobre sistemas de recomendación, pero ella se queja de que eso es demasiado. Al darte cuenta de que tiene un plazo ajustado para la entrega, le dices que construirás un panel rápido para que puedan ver los datos juntos y luego tomar una decisión coherente basada en esa información. Ella está de acuerdo. Obtienes métricas adicionales además del simple recuento que inicialmente solicitó: tasa de clics, tasa de pedidos, calificaciones promedio. Incluso defines una nueva métrica: % de elementos con baja exposición. Compartes los datos con tu interesado, junto con tus recomendaciones.

Ella se resiste, por supuesto. Pero en lugar de resistirte también, intentas comprender la base de las objeciones de tu interesado para alcanzar una decisión óptima. A partir de una discusión profunda, juntos, formulan hipótesis que combinan tus hallazgos cuantitativos y su intuición cualitativa, y estas se convierten en la base de una sólida creación de categorías. Elaboras un análisis que está vinculado en su documento de estrategia de producto. Las elecciones que ella hizo son considerablemente mejores y sientes que has cambiado genuinamente la trayectoria de la historia del mobiliario para gatos.

Es una historia fundamentalmente diferente a la que comenzamos, pero su éxito se basó en solo dos cambios pequeños:

  1. Asumiste la responsabilidad de cómo se iban a utilizar los datos al preguntar por qué.
  2. Combinaste los datos con su intuición en lugar de tratar de anularla. Esto fue posible porque tenías una comprensión clara de cómo debería estar involucrado el dato en el proceso de toma de decisiones.

Tenemos la tendencia a arrojar datos a los interesados, dejando la síntesis en sus manos. Sin embargo, los mejores analistas van un paso más allá y se sumergen de lleno en los datos cualitativos también, comprendiendo profundamente el objetivo que intentan lograr. Asumen la responsabilidad de fusionar sus ideas en el proceso de toma de decisiones. Comprenden la función objetivo: una decisión intelectualmente honesta. Y así operan de manera que buscan llegar allí, en lugar de simplemente cumplir con lo que se les pide, resignándose a patrones de acceso a datos en los que sus interesados han caído, y sentándose en silencio en una sala de ejecutivos hasta que los llaman.

Espero que estés convencido de que los cambios de comportamiento que estoy proponiendo no son tan drásticos. Estoy seguro de que has escuchado esa voz que te dice que te involucres más profundamente: “tal vez debería preguntar por qué se necesitan estos datos”, pero bueno, decides que no tienes tiempo. Bueno, la próxima vez, simplemente escucha esa voz.

👋 ¡Hola! Soy Robert, CPO de Hyperquery y ex científico de datos + analista. Este es un artículo publicado originalmente en mi blog Win With Data, donde hablamos semanalmente sobre cómo maximizar el impacto de los datos. Como siempre, encuéntrame en LinkedIn o Twitter, siempre estaré encantado de charlar. Y si disfrutaste esta publicación, agradecería un follow/like/share. 🙂

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Gigantesco Telescopio Adopta Robots de Mantenimiento Inteligentes

Cinco sistemas y plataformas de robots inteligentes han sido autorizados por las autoridades para mantener el Telesco...

Inteligencia Artificial

Una nueva investigación de IA de Italia presenta un modelo generativo basado en difusión capaz tanto de la síntesis musical como de la separación de fuentes

Los seres humanos son capaces de procesar varias fuentes de sonido al mismo tiempo, tanto en términos de composición ...

Inteligencia Artificial

Cómo los científicos están descifrando códigos históricos para revelar secretos perdidos

El proyecto DECRYPT, una colaboración entre lingüistas y científicos de la computación, tiene como objetivo automatiz...

Ciencias de la Computación

Tres postdoctorados en física del MIT en español reciben becas de la Fundación Botton.

Los destinatarios Luis Antonio Benítez, Carolina Cuesta-Lázaro y Fernando Romero López reciben apoyo para su investig...

Inteligencia Artificial

Desmitificando el Aprendizaje Profundo Una Introducción de un Estudiante a las Redes Neuronales

El aprendizaje profundo ha evolucionado rápidamente como una de las tecnologías más influyentes en la era moderna. Su...