MARION BARRAUD

El término big data es ubicuo. Con exabytes de información fluyendo por los grandes canales de la banda ancha, las empresas compiten por ostentar los conjuntos de datos más grandes y audaces. Negocios de toda condición –viejos y nuevos, industriales y digitales, grandes y pequeños– se están sumando al juego.

Las masas enormes de datos sociales, meteorológicos y gubernamentales están siendo aprovechados para predecir cortes en las cadenas de suministros. Enormes cantidades de datos de usuarios están siendo aprovechados a escala para identificar individuos entre un mar de clics de página web. Las empresas están empezando, incluso, a aprovechar el volumen enorme que tienen de comunicaciones en forma de texto, para desarrollar algoritmos capaces de mantener conversaciones con sus clientes.

Pero la realidad es que, nuestra obsesión implacable con la importancia del big data, a menudo resulta engañosa. Sí, en algunas situaciones, extraer valor a partir de datos requiere contar con una cantidad enorme de esos datos. Sin embargo, la clave para innovar en diferentes industrias, no es tanto el volumen de los datos disponibles, sino contar con los datos adecuados.

No es cuestión de grande o pequeño

A menudo, se destaca a Uber como un caso de éxito del big data. No hay duda de que Uber recopila una rica y gran variedad de datos. Gracias a las aplicaciones con las que funciona, tanto en los vehículos de los conductores, como en los bolsillos de los pasajeros, la empresa ha mapeado en tiempo real, todos los procesos logísticos del transporte humano.

Sin embargo, el éxito de Uber no es producto del big data que recopila. Ese big data ha permitido a la empresa entrar en nuevos mercados y satisfacer las nuevas necesidades de sus clientes. Pero el éxito de Uber nace de algo muy distinto. El éxito de Uber es el resultado de los pequeños datos adecuados que necesitaba para hacer algo muy sencillo: enviar coches a un destino.

Un tiempo antes de poder solicitar un vehículo con solo apretar un botón de nuestros smartphones, los humanos necesitaban una cosa llamada taxi. Los taxis, aunque no estuvieran en gran parte conectados a internet ni a ninguna forma de infraestructura informática formal, eran realmente los actores del big data para la identificación de pasajeros. ¿Por qué? El sistema de taxis requería una red de ojos que se desplazaba por la ciudad en busca de figuras con forma humana con sus brazos levantados. A pesar de que no eran ningún sistema de Intel o Hewlett-Packard, los que procesaban los datos, la cantidad de información procesada era enorme. El hecho de que la computación se produjera dentro de cerebros humanos no cambia la cantidad de datos recopilados y analizados.

La elegante solución de Uber consistió en dejar de ejecutar un algoritmo biológico para detectar anomalías a partir de datos visuales. En su lugar, la compañía empezó a, simplemente, pedir los datos adecuados. ¿Quién en la ciudad necesita que los lleven a algún lugar y dónde se encuentran ahora? Esta información crucial permitió a empresas como Uber, Lyft y Didi Chuxing revolucionar una industria.

Llegar hasta los datos adecuados para el objetivo

A veces los datos adecuados son grandes. A veces son pequeños. Pero para cualquier empresa innovadora, la clave es averiguar cuáles son los datos críticos que mejorarán e impulsarán su posición competitiva. Esos son los datos que se deben buscar fervientemente. Para llegar a conseguirlos, sugiero plantear las siguientes tres preguntas como si fueran un proceso para identificar los datos apropiados.

Pregunta 1: ¿Qué decisiones provocan ineficiencias en su negocio? La mayoría de los negocios tienen grandes fuentes de ineficiencias que desperdician los recursos. Piense en la venta al por menor de flores. El minorista promedio puede llegar a desperdiciar más del 50 % de su inventario. Más de la mitad de sus flores se convierten de repente en desechos. Así que para innovadores como UrbanStems y Bouqs, los datos que convierten sus negocios en disruptivos son realmente los datos que les capacitan para eliminar esos desperdicios. (Cláusula de divulgación: fui uno de los inversores de UrbanStems).

En palabras del profesor de la Escuela de Negocios de la Universidad de Harvard (EEUU), Ben Edelman, "los desperdicios generan oportunidades". Tanto si se trata de la producción industrial, como de la venta al por menor, o los procesos judiciales. Averiguar cuál es el origen de los recursos y esfuerzos desperdiciados debería indicar el camino hacia los datos apropiados. Tanto si lograrlo resulta tan sencillo como identificar las previsiones que sabe que realiza (cuánto inventario necesito), o requiere pensar en las decisiones implícitas dentro de su modelo de negocio (cómo recorre un taxi la ciudad a las 22:00), mapear las decisiones le señalará las fuentes de esos desperdicios.

Pregunta 2: ¿Qué decisiones se podrían automatizar para reducir el desperdicio de recursos? Una vez identificadas las decisiones, lo hipotético se convierte en lo que realmente se puede cambiar. A los humanos se nos da maravillosamente bien tomar determinados tipos de decisiones. Cuando se trata de decidir qué campañas provocarán las reacciones más irracionales de otros humanos frente a los materiales de marketing de una marca, podemos ser brillantes. Ese tipo de decisiones debería permanecer (por el momento) en manos de las personas.

Pero cuando se trata de tomar decisiones operativas simples y repetitivas (como dónde enviar un taxi, cómo tarificar un producto, cuántas flores encargar para una floristería), las máquinas tienden a ser mucho mejores que los humanos. Y aunque muchos modelos de negocio del siglo XX están basados en el control humano de estas decisiones, ahora podemos identificar los datos que automatizan una proporción mayor de estas decisiones de la que puede llegar a imaginar.

Se rumorea que Amazon, por ejemplo, ha eliminado su equipo de tarificación casi al completo, lo que deja la mayor parte de las decisiones de tarificación en manos de los algoritmos. Para la mayoría de los minoristas, sin embargo, esto sería una blasfemia. Pero si funciona el algoritmo de Amazon, también se traduciría en un gasto mucho menor en descuentos, mucho menos inventario acumulándose en los almacenes y una mayor previsibilidad en la incorporación de nuevos productos a la oferta, cada uno de los cuales podría generar una gran ventaja competitiva.

Pregunta 3: ¿Qué datos se necesitan para conseguirlo? Una vez que comprenda los recursos desperdiciados en su sistema actual y haya identificado las decisiones que los generan, el último paso es plantear una sencilla pregunta. Si pudiese disponer de cualquier dato, por muy inverosímil que sea, para tomar la decisión perfecta, ¿cuál sería?

En el caso de Uber, la compañía necesitaba conocer con precisión dónde se encontraban todos los pasajeros potenciales de una ciudad para automatizar las decisiones acerca de dónde enviar los conductores a circular y minimizar las ineficiencias asociadas a los conductores humanos que circulan de manera continua en busca del próximo pasajero. En el caso del software Predix Industrial Internet de General Electric, la empresa aspira a saber exactamente cuándo va a averiarse una máquina, lo que ayuda a automatizar las decisiones sobre el mantenimiento y reduce los desperdicios provocados por los cortes de funcionamiento imprevistos. A las aseguradoras de salud que buscan reducir costes, les encantaría conocer el momento exacto en el que la glucosa en sangre de un paciente diabético alcanza niveles peligrosamente bajos. Conseguirlo podría ayudar a automatizar las decisiones relacionadas con las intervenciones médicas y reducir los recursos desperdiciados en torno a la gestión de enfermedades.

Esos son los datos adecuados a perseguir. Si logra llegar hasta ellos tras procesar una masa ingente de información, genial. Si logra llega a ellos tras desarrollar una nueva app capaz de detectarlos directamente, mejor aún.

La mayoría de las empresas pasan demasiado tiempo en el altar del big data, pero para nada suficiente pensando en cuáles son los datos adecuados a buscar.