¿Por qué los proyectos de ciencia de datos no generan los resultados esperados?

Oct 16, 2021 | ESTRATEGIA | 0 Comentarios

Según un reciente estudio de Domino, Data Science Needs to Grow Up: The 2021 Domino Data Lab Maturity Index, la falta de inversión en recursos humanos, procesos y herramientas está causando el fracaso a la hora de desarrollar la ciencia de datos en las empresas.

¡No te pierdas ningún nuevo vídeo!

Visita mi canal de Youtube

Más concretamente, este estudio, donde se han entrevistado a 300 ejecutivos de EEUU, saca 5 conclusiones por las cuales las iniciativas de ciencia de datos fracasan:

  • Las expectativas son muy altas, pero en las empresas con menor madurez en  ciencia de datos invierten demasiado poco, de manera equivocada, o para conseguir beneficios a corto plazo. Esto resulta en una frustración con respecto a lo esperado y la falta de confianza para seguir desarrollando una estrategia de datos.
  • El rol de la ciencia de datos no está claro: casi la mitad de las empresas con escasa madurez en el tema siguen tratando a la ciencia de datos como un departamento de soporte a otros, y esto limita bastante su potencial. Las empresas que más beneficios obtienen de la ciencia de datos, son las donde el rol del departamento de analítica es comparable a otros de alto nivel como marketing o finanza.
  • Para obtener buenos resultados se necesitan buenos modelos, y además hay que ponerlos en producción. Este último punto es el más complicado y requiere de la cooperación de diferentes departamentos y la complicidad de los que toman las decisiones de negocio.
  • Los modelos no recalibrados suponen un riesgo muy grande: una vez que un modelo se ha entrenado y puesto en producción, no nos podemos olvidar de el. Esto puede significar serios riesgos, e incluso tomar decisiones equivocadas.
  • Es necesario remover los obstáculos principales: en particular, uno de los mayores problemas son los recursos humanos. Mientras que para las empresas con mayor madurez en ciencia de datos, el problema es asignar bien los roles, o contratar al perfil correcto para una necesidad concreta, para las empresas con menor madurez, el problema es no disponer de suficientes científicos de datos (y perfiles relacionados).

Este estudio lo podéis descargar utilizando este enlace https://www.dominodatalab.com/resources/data-science-needs-to-grow-up/, pero quería acabar este post con una reflexión sobre los que son a mis juicio los dos principales problemas a la hora de implementar de manera estructural una estrategia de datos rentable. El primero es cultural. Es imprescindible que los directivos incorporen la ciencia de datos con la importancia que necesita para poder facilitar tanto el desarrollo de modelos como la puesta en producción de los mismos. El estudio nos enseña que la tendencia va hacia un departamento de analítica equiparables a otros departamentos como marketing. Esto se deba al creciente peso estratégico de la ciencia de datos para la competitividad de una empresa, concepto que las empresas con mayor madurez están implementando. El segundo problema son los recursos humanos. Al ser un área relativamente nueva, es complejo contratar a los recursos adecuados, en la cantidad adecuada, y asignarles los roles que necesitan. Creo que esto es crítico dado que con las personas adecuadas podemos definir bien la estrategia de datos, empezando por relacionarla con los objetivos de la empresa, hasta contratar las mejores herramientas para el tipo de empresa y sus necesidades.