El ADN de una Organización de Transformación Exitosa (Parte 5)

El ADN de una Organización de Transformación Exitosa (Parte 5)

Marca de tiempo: 8 de agosto de 2023 11:24 a.m.
El ADN de una organización en transformación exitosa (Parte 5) PlatoBlockchain Data Intelligence. Búsqueda vertical. Ai.

Reemplazando Anecdata con Real Insights

El matemático, físico e ingeniero irlandés Lord Kelvin nos dejó numerosos inventos científicos y estas impactantes palabras de sabiduría: “Lo que no se define, no se puede medir. Lo que no se mide, no se puede mejorar. Lo que no se mejora, siempre se degrada”.

En las cuatro entregas anteriores, argumentamos que la transformación exitosa no debe verse como un cambio lineal y único, sino como esfuerzos cíclicos que brindan un valor incremental y medible y son lo suficientemente ágiles para corregir el curso de las condiciones cambiantes. En la última entrega, analizamos cómo se puede utilizar un enfoque estructurado e intencional de datos, informes y toma de decisiones empíricas para alinear las realidades organizacionales con los imperativos estratégicos e impulsar la agenda de transformación.

Muchas instituciones financieras han formalizado la planificación estratégica y la infraestructura de establecimiento de objetivos, el presupuesto, los procesos de planificación de inversiones y los marcos de entrega ágiles. Pero aún pueden sufrir insuficiencias en estos procesos y carecer de un pilar común que los una.

Este pilar mide la salud de la organización utilizando datos duros con el menor retraso posible. A pesar de la comprensión generalizada de la importancia de los datos para la estrategia de una organización, la información para la toma de decisiones suele recopilarse de dos formas:

  • Anécdata. Las organizaciones a menudo se ven impulsadas por las presiones generadas por los clientes o las partes interesadas internas. Si bien el servicio al cliente es un objetivo admirable, un enfoque desorganizado o fragmentado sobre a quién atender primero a menudo puede generar interrupciones. Estas organizaciones terminan priorizando las voces más fuertes en la sala en lugar de las más necesitadas. Las iniciativas se emprenden con objetivos mal definidos y ROI mal entendidos. Una vez completada, la victoria se reclama en función de la ejecución exitosa de hitos o peajes de gestión de proyectos, en lugar de una evaluación objetiva de los resultados comerciales y los datos de rendimiento.
  • Datos ad-hoc. Es común en los servicios financieros que se les pida a los gerentes que preparen rápidamente presentaciones que traten el último tema o tema de actualidad. Pero hay problemas potenciales por delante. Al basarse en datos de "punto en el tiempo" recopilados apresuradamente, estas presentaciones no reconocen los impactos adversos que los datos incompletos o fuera de contexto pueden tener en la toma de decisiones y la planificación estratégica. Este tipo de datos generalmente viene en una de dos formas:
  1. Extractos de datos de producción proporcionados por equipos de aplicaciones para mostrar el estado actual de un sistema, producto o viaje de usuario específico. Este tipo de datos viene con su propio conjunto de riesgos y brechas, incluida la falta de contexto comercial en el que se deben considerar los datos, el tamaño y las características de muestreo del conjunto de datos en cuestión, la ofuscación de los datos de origen y la latencia. Esto conduce a una confusión y distracción significativas mientras se identifica y recopila el conjunto de datos correcto.
  2. Datos de incidentes o problemas provenientes de equipos de soporte de producción que representan una instantánea histórica de eventos que cumplen con ciertos criterios operativos. Esta información a menudo está plagada de falta de integridad, así como el riesgo de embellecimiento a través de supervivencia y sesgos de confirmación. Los registros señalan dónde se ha invertido tiempo y recursos para resolver los desafíos de producción, pero a menudo oscurecen la causa raíz.

Ambos enfoques conducen a un uso ineficiente de los recursos para cortocircuitar un enfoque de monitoreo y medición más sólido. Más preocupante aún, el nivel de intervención humana requerido se presta a la distorsión de los datos, ya sea debido a una diferencia en la definición de los puntos clave de los datos o a la incomodidad con el mensaje central que proporcionan los datos.

En ambos casos, la cantidad de trabajo necesario para derivar información significativa de los datos y los riesgos asociados con su mala interpretación hacen que sea una propuesta sin mucho valor para las instituciones financieras que buscan ser líderes en innovación. Intrínsecamente orientado a la recompensa, este enfoque obliga a la organización a conducir el automóvil mirando solo por el espejo retrovisor.

Una idea errónea común sobre cómo resolver este problema de falta de datos estructurados es confiar demasiado en herramientas específicas como Tableau o Microsoft Power BI. En realidad, los problemas son mucho más profundos que la simple falta de herramientas de análisis o visualización; se extienden desde las primeras etapas del proceso de planificación estratégica, a través de la entrega y hasta la actividad habitual.

Según nuestra experiencia, las organizaciones exitosas desarrollan altos niveles de competencia en las siguientes áreas para desarrollar capacidades confiables de monitoreo y medición:

1. Medir lo que importa. Las condiciones de mercado prevalecientes, las expectativas de los clientes, las tecnologías emergentes, la disrupción competitiva y el cambio regulatorio crean un panorama operativo en continuo cambio para las instituciones financieras. Es fundamental comprender los objetivos prospectivos y los indicadores clave de rendimiento para ayudar a validar la toma de decisiones y permitir una planificación empresarial más adaptable.

Esto significa requerir más que un simple pronóstico de reducción de costos o ingresos de cinco años antes de aprobar una nueva iniciativa. Significa crear una conectividad de arriba a abajo entre los objetivos estratégicos de la organización y el trabajo de los equipos operativos y de entrega. Este marco establece el núcleo mismo de la capacidad de seguimiento y medición de una institución financiera y no se puede eludir.   

 2. Ingeniería y análisis de datos. Antes de crear tableros, se deben sentar las bases para garantizar que se identifiquen todas las fuentes de datos y que se cataloguen los puntos de datos para derivar las métricas comerciales relevantes. También es extremadamente importante que todas las partes interesadas comprendan para qué se utilizarán los datos y cómo ayudan a impulsar las métricas que necesitan. Por ejemplo: ¿el tiempo de confirmación es la cantidad de tiempo que lleva confirmar una operación desde el momento de la reserva o desde el momento en que ingresa a la pila de confirmación? Esta identificación ayuda a evitar confusiones y reduce la repetición del trabajo. Este proceso se construye gradualmente a partir del marco establecido anteriormente y representa los modelos de datos físicos y la infraestructura necesarios para monitorear y corroborar el objetivo estratégico de la organización.

3. Gobierno de datos. Todos los conjuntos de datos deben cumplir con las políticas de datos de la organización. Si bien estos varían ampliamente según el modelo comercial, la clientela y los conjuntos de productos, los principios clave de un gobierno de datos efectivo son consistentes y siempre comienzan con la necesidad comercial en primer plano. Las preguntas a considerar incluyen:

  • Disponibilidad de datos. ¿Con qué granularidad y frecuencia se requieren los datos para respaldar los objetivos de medición y monitoreo del negocio? Si bien los tableros funcionan mejor con datos de alto nivel debido a los requisitos de rendimiento, los datos agregados no se prestan al análisis de causa raíz porque no se pueden identificar transacciones individuales. Esto significa que se debe seleccionar y diseñar intencionalmente la arquitectura que mejor se adapte a las necesidades de cada organización. Se debe tener cuidado al definir la frecuencia con la que se deben actualizar los datos. Los KRI suelen ser en tiempo real o se actualizan diariamente, mientras que los KPI se pueden actualizar a una cadencia más lenta. Una frecuencia más rápida a menudo no es necesariamente mejor cuando se compara con los costos de infraestructura y las consideraciones de rendimiento.
  • Integridad de los datos. ¿Quién posee una fuente de datos específica y dónde vivirán esos datos dentro de la infraestructura de datos de la organización?  La toma de decisiones estratégicas se erosiona cuando una organización no puede asegurar a los consumidores que están accediendo a los datos correctos provenientes de las fuentes correctas. Los antipatrones pueden formarse cuando una organización forma orgánicamente datos únicos y capacidades analíticas en todas las líneas de negocios, cada una con métodos únicos para obtener y almacenar datos. La propiedad clara y la responsabilidad de los datos, combinadas con funciones y responsabilidades definidas de forma centralizada, son factores críticos de éxito. 
  • Seguridad de los datos. ¿Qué puede hacer una organización para garantizar que las reglas de seguridad y privacidad de datos estén vigentes y se cumplan en general? La creación de un modelo de gobierno de datos que asegure que la información comercial confidencial sea accesible solo para personas con la necesidad operativa de saber, a veces puede ser contraproducente y levantar barreras innecesarias. Las organizaciones de transformación exitosas reconocen este desafío y centralizan muchas funciones de recopilación, ofuscación y visualización de datos. Esto es clave, especialmente cuando se trata de datos a nivel de transacción que brindan información sobre la actividad financiera del cliente e información de identificación personal.

 4. Cultura de inteligencia empresarial. Este es el elemento orientado al usuario de la ciencia de datos y, por lo general, atrae la mayor atención. Promover una cultura en la que los usuarios utilicen activamente información previamente inaccesible abre un mundo de posibilidades para analizar y mejorar el desempeño organizacional. Desafortunadamente, la mayoría de estas herramientas no se utilizan según lo previsto, sino más bien a posteriori, para analizar problemas. Es imperativo que las organizaciones impulsen el uso de herramientas de análisis como herramientas proactivas de gestión del rendimiento que se pueden utilizar para anticipar tendencias por adelantado.

La clave es identificar diferentes casos de uso y crear múltiples capas de análisis para diferentes bases de usuarios. Por lo general, los gerentes de nivel medio necesitan más detalles en una gama más pequeña de funciones, mientras que la alta gerencia necesita métricas de mayor nivel en toda la empresa. Alinear los datos, los KPI, la visualización y el diseño organizacional es lo que crea una cultura de agilidad y toma de decisiones basada en datos.

En conclusión, una vez que estas capacidades están disponibles en toda la organización, se amortizan de varias formas. Los equipos de liderazgo pueden identificar las áreas de su negocio que mejor se adaptan o que más necesitan una transformación. Los equipos de transformación pueden realizar un seguimiento de los resultados de sus esfuerzos casi en tiempo real. Y los dos extremos del espectro se pueden vincular a la perfección mediante un marco OKR bien pensado. 

En última instancia, un enfoque progresivo para monitorear y medir, que permite un modelo de negocios ágil basado en datos, es lo que distingue a muchas de las organizaciones de transformación más exitosas. Utilizan sus datos y una cultura de agilidad para tomar las mejores decisiones para lo que se avecina en el entorno empresarial ultracompetitivo y rápidamente cambiante de la actualidad.

Sello de tiempo:

Mas de fintextra