Si los datos son el nuevo combustible, saber cómo refinarlo para convertirlo en inteligencia accionable, es la clave para propulsar su potencial. Con este fin, los CIO están probando herramientas de analítica predictiva, desarrollando algoritmos de aprendizaje de máquina y poniendo a prueba otras soluciones con el fin de encontrar eficiencias para el negocio y nuevas maneras de atender a los clientes.

Ya que están muy conscientes de que reducir los costos o incrementar las ganancias pueden ayudarles a brillar ante los ojos de la alta gerencia y el directorio, los CIO están gastando más que nunca en tecnologías que soportan la ciencia de los datos. Las ganancias a nivel mundial para el big data y la analítica de negocio llegarán a los 150,8 mil millones de dólares en el 2017, lo que representa un incremento de 12,4% con respecto al 2016, de acuerdo a IDC. Se espera que las compras comerciales de hardware, software y servicios destinados a soportar el big data y la analítica superen los 210 mil millones de dólares. El analista del IDC, Dan Vesset, señaló que las soluciones de analítica de big data se han convertido en los pilares fundamentales para dar paso a las iniciativas de transformación digital en todas las industrias y procesos de negocio a nivel mundial.

Pero existe un lado oscuro en este gasto delirante: La mayoría de proyectos de analítica de datos no producen un valor medible. Los sistemas previos y las burocracias de las líneas de negocio han generado compartimentos estancos con los datos y han perpetuado una pobre calidad de los datos. Y los CIO están luchando por llenar los vacíos en el personal requerido para manipular los datos, con el fin de obtener conocimientos. La guerra de la búsqueda de personal calificado es feroz y el aumento en los programas de analítica en las universidades no está produciendo candidatos calificados lo suficientemente rápido.

Aun así, las historias de éxito de la analítica de datos fueron abundantes en el CIO100 Symposium que se llevó a cabo a principios de mes y donde muchos líderes de TI fueron premiados por sus iniciativas. Los CIO también compartieron las lecciones aprendidas y los consejos con otros CIO que se encontraban en proceso de llevar a cabo iniciativas similares.

Hacer que la analítica de datos funcionara en Merck

Merck, que había crecido hasta convertirse en una compañía de salud global valorizada en 40 mil millones de dólares y con una operación que abarca 140 mercados a nivel mundial, buscó usar los datos recolectados en su ERP y sistemas centrales para la fabricación de controles de ejecución e inventario con el fin de adquirir más conocimientos sobre el negocio. Pero cuando los ingenieros de Merck emplearon del 60% al 80% de su iniciativa buscando, accediendo e ingestando datos para cada proyecto, el objetivo del negocio ya se había perdido desde hacía mucho. “No estábamos viendo a los datos como activos viables permanentes y valiosos”, afirmó Michelle A’lessandro, CIO de TI de Manufactura de Merck. “Nosotros queríamos establecer una cultura en donde pasáramos mucho menos tiempo moviendo y reportando los datos y mucho más tiempo usando los datos para lograr resultados significativos de negocio”.

Merck creó MANTIS (Manufacturing and Analytics Intelligence), un sistema de almacenes de datos que contiene bases de datos en memoria y herramientas de código abierto que pueden procesar datos albergados en sistemas estructurados y no estructurados como texto, video y redes sociales. Principalmente, el sistema fue diseñado para permitir a los analistas de negocio -sin necesidad de que sean técnicos- ver fácilmente los datos en un software de visualización. Contrariamente, los científicos de datos podían acceder a la información a través de herramientas sofisticadas de modelación y simulación. MANTIS ha ayudado a reducir en 45% el tiempo y costo de la cartera general de proyectos de analítica de TI. Los resultados tangibles del negocio incluyen la reducción del 30% del tiempo promedio en los leads, y una reducción de 50% en los costos promedio de inventario.

Lecciones aprendidas: Una clave de su éxito, afirmó A’lessandro, fue identificar un proyecto de analítica “guía” en una planta de Asia-Pacífico en donde Merck vería los mayores frutos. Al mostrar el éxito de MANTIS ahí, éste se convirtió en una llamada de acción para los otros sitios. También aprendió a no abarcar más de la cuenta. A’lessandro indicó que la compañía se extralimitó en un experimento inicial para usar inteligencia artificial y aprendizaje de máquina para analizar los costos de los procesos de fabricación de Merck. “No se debió a una falta de financiamiento o falta de visión, simplemente no pudimos lograr que funcionara”,afirmó A’lessandro.

Dr. Pepper Snapple Group usa el aprendizaje de máquina para la relevancia contextual

Durante años, el personal de rutas de ventas de Dr. Pepper Snapple Group usaba una gruesa carpeta llena de datos de clientes, anotaciones de ventas y promociones, y salía en busca de clientes de retail como Wal-Mart y Target. Hoy, en lugar de una carpeta, el personal de ventas está armado con iPads que les dicen qué tiendas tienen que visitar, qué ofertas hacer a los retailers y otras métricas cruciales. “Ellos simplemente tomaban pedidos”, dijo Tom Farrah, CIO de Dr. Pepper Snapple Group. “Ahora se están convirtiendo en personas inteligentes de ventas, equipadas con información que les ayuda a cumplir su objetivo”.

La plataforma MyDPS está equipada con aprendizaje de máquina y otras herramientas de analítica que canaliza recomendaciones y una tarjeta de puntaje operativo a los trabajadores cuando éstos cargan la aplicación. Algoritmos que muestran al personal cómo se están desempeñando en comparación con sus proyecciones esperadas, incluyendo si es que están encaminados a cumplir con su plan, si es que se están desviando y también cómo corregir la dirección en la que están. “Si yo voy a hacer que alguien sea exitoso, tengo que asegurarme de que la información que tiene sea contextualmente relevante”, señaló Farrah.

Lecciones aprendidas: Para evaluar la prueba de concepto para MyDPS, Farrah dio el software a cuatro personas en una sucursal e hizo que el presidente del negocio las visitara. Ellos revelaron que, después de usar MyDPS, la ejecución de la venta al canal de distribución había mejorado en 50% en comparación con el mes anterior, convenciéndolo de dar luz verde al proyecto. “Obtuvo resultados y eso es lo que la venta requirió”, anotó Farrah. “Eso es realmente importante, que no solo tenga el patrocinador de negocio para un proyecto, sino que también sepa cuál es el resultado que éste obtendrá.

Bechtel se disrumpe a sí misma con un centro de excelencia de big data

Un hecho poco conocido: Los gastos relacionados a la construcción representan el 13% del PBI, pero la industria completa ha generado solo el 1% de las ganancias en productividad en las últimas dos décadas, afirmó la CIO de Bechtel, Carol Zierhoffer. Los expertos expresaron que el sector puede mejorar la productividad en 50% a 60% renovando contratos, mejorando las habilidades de los empleados y mejorando la ejecución onsite, entre otros ajustes. Bechtel, que construyó la represa Hoover, el English Channel Tunnel y otras maravillas, empezó a encontrar conocimientos en los datos que estaban enterrados en varias partes del negocio.

Zierhoffer se reunió con los CIO de Wal-Mart, Boeing y Lockheed Martin para adquirir conocimientos sobre cómo avanzar. La compañía construyó un centro de excelencia de big data, en donde se encuentra un lago de datos que contiene cinco petabytes de datos, y empezó un proyecto piloto. Éste usó tecnología de reconocimiento de fotos para inspeccionar y etiquetar fotos de sitios web en representación de los clientes, ahorrando dos millones de dólares. Las herramientas de procesamiento de lenguaje natural (NLP) analizan gramaticalmente reclamos, RFPs y contratos. Los planes y estimados, que alguna vez requirieron días y semanas, ahora toman horas. Bechtel también ha expandido las iniciativas de analítica para observar la retención del personal, incluyendo intentar anticipar cuándo podrían irse los empleados. “Nosotros creemos estar tocando la puerta de ese desafío a la productividad”, afirmó Zierhoffer.

Lecciones aprendidas: Los compartimentos estancos de datos y de calidad son algo difícil. Aunque Bechtel puede analizar volúmenes grandes de datos, debe mejorarse la calidad de los datos localizados en todo el negocio. “Tuvimos que disrumpirnos a nosotros mismos y observar cómo trabajamos y conectamos los compartimentos estancos de datos”.

El camino de RRD hacia nuevos negocios gracias al aprendizaje de máquina

Hace unos años, RRD, la compañía de marketing y comunicaciones que solía llamarse R.H. Donnelley, abrió una división de logística para enviar sus materiales de impresión a clientes y negocios. Para soportar al negocio, administraba cargas por su cuenta y trasportaba cualquier cosa, desde lavadoras hasta comida para perro a nombre de sus socios, expandiéndose hasta llegar a ser una organización valuada en mil millones de dólares. ¿El desafío? Encontrar tarifas de envío en un mundo donde FedEx y UPS eran los reyes innegables.

Las variables como el clima, geografía, conductores y climas políticos generan costos a su negocio. Con la constante necesidad de predecir las variables de las tarifas, RRD recurrió al aprendizaje de máquina y la analítica, dijo Ken O’Brien, CIO de RRD. Se contrató personal y a universidades para que ayudaran a escribir algoritmos, probar miles de posibles situaciones en las 700 rutas hasta ser capaces de anticipar tarifas de trasporte de carga en tiempo real -con siete días de anticipación y con un nivel de precisión de 99%. “El proyecto se pagó solo en menos de un año y aún seguimos viendo crecimiento en ese negocio relacionado a cargas, afirmó O’Brien. La compañía proyecta que en el 2017 su negocio de cargas de camión crecerá de cuatro a 16 millones de dólares, un incremento de ganancias de 12 millones de dólares en un negocio de 600 millones de dólares.

Lecciones aprendidas: Las nuevas empresas requieren un compromiso de alto nivel, aunque O’Brien admite que algunos de sus compañeros de negocio estaban listos para tirar la toalla en varios momentos a lo largo del camino. El negocio no confiaba en la tecnología para un proceso que se hacía típicamente mediante estimaciones subjetivas. RRD instaló un ambiente colaborativo en el cual el negocio y TI trabajaron juntos para influir en el resultado. “Tropezará y enfrentará desafíos, pero sea paciente”, señaló O’Brien.

Monsanto adopta el aprendizaje de máquina para lograr planes de óptimos de siembra

Los granjeros siempre la pasan muy mal pensando en qué semillas plantar, cuántas, dónde y cuándo. Monsanto, el gigante de las semillas, se encuentra trabajando en eso, usando ciencia de datos para hacer recomendaciones prescriptivas para sembrar. Modelos matemáticos y estadísticos para planear los mejores momentos para sembrar plantas macho y plantas hembra, así como dónde plantarlas, idealmente para maximizar la cosecha y reducir el uso del terreno. El algoritmo de aprendizaje de máquina rota a través de más de 90 mil millones de puntos de datos en días, en lugar de hacerlo en semanas o meses, señaló Adrian Cartier, director global de analítica de TI de Monsanto. ¿Los beneficios del negocio? En el 2016, Monsanto redujo su huella de cadena de abastecimiento en 4%. En América del Norte, una reducción de 4% en el uso del terreno equivale a mucho territorio que no se está usando y mucho ahorro de dinero”, afirmó Cartier.

Lecciones aprendidas: La clave para Monsanto fue inculcar una colaboración “de principio a fin” entre TI y el negocio de la cadena de abastecimiento. “Su experiencia con el campo, desde el punto de vista de la agricultura y de la cadena de abastecimiento, calzó con nuestro propio dominio de las matemáticas y la estadística, y así se fue generado el valor que fuimos capaces de producir”, señaló Cartier. El ejecutivo afirmó que él también buscó “cambiar líderes y partidarios” dentro del negocio de cadena de abastecimiento para compensar el balance poco saludable de los pesimistas.

Para Pitt Ohio, la analítica predictiva trae éxito

La industria de carga está bajo el ataque de lo que se denomina “Impacto de Amazon”, señaló Scott Sullivan, CIO de Pitt Ohio. Pitt Ohio, una compañía de carga de 700 millones de dólares, se había acostumbrado a recoger carga y entregarla a los clientes al día siguiente. Pero cada vez más, gracias a Amazon, los clientes esperan la entrega de la mercancía el mismo día. Y ellos esperan más información sobre sus paquetes.

“Los clientes ahora quieren saber no solo cuándo va a ser recogido, sino también quieren saber cómo será entregado para poder planear su carga de trabajo”, informó Sullivan. Usando los datos históricos, la analítica predictiva y los algoritmos que calculan una variedad de pesos de carga, la distancia de manejo y otros factores en tiempo real, Pitt Ohio puede estimar el tiempo en que llegará el conductor al destino de entrega con un nivel de precisión del 99%. La compañía estima que ha incrementado ganancias por la repetición en los pedidos (estimadas en 50 mil dólares) y redujeron el riesgo de pérdida de clientes (estimado en 60 mil dólares al año).

Lecciones aprendidas: Sullivan afirmó que fue algo que involucró a las áreas de investigación de mercado, operaciones de ventas y a TI, y todas éstas verificaron y volvieron a verificar los resultados para cerciorarse de estar cumpliendo con sus objetivos. “Existen muchos datos dentro de sus cuatro paredes -sea innovador y busque maneras desafiantes de usarlos”, indicó Sullivan.

-Clint Boulton, CIO (EE.UU)