Latinoamérica y casos de innovación con datos

En numerosos foros y conversaciones con empresas latinoamericanas, surge el interés por comprender el impacto y los resultados reales de las soluciones de innovación DATA. En este contexto, exploramos el posicionamiento de Latam en innovación con datos, el impacto de la inteligencia artificial (IA) en organizaciones de la región, y la viabilidad de implementar soluciones de manera costo-efectiva y con enfoque práctico.

Durante mis participaciones en diversos foros y conversaciones con empresas en Latinoamérica, surgen preguntas sobre el impacto potencial y los resultados reales al implementar soluciones de Innovación DATA**. Algunas de estas preguntas incluyen:

¿Cómo está Latam respecto al resto del mundo en innovación con datos?
¿Cuál es el impacto de implementar AI en organizaciones en Latinoamérica?
¿Es viable hacerlo de forma costo-efectiva y bajado a tierra?

** Prefiero hablar de “soluciones de innovación DATA” de forma amplia, para referirme a todo lo relacionado con extraer datos de base de datos a través de dataductos, definir e implementar infraestructura de datos (datalakes, datawarehouses), desarrollar modelos y soluciones complejas de inteligencia artificial que integran machine learning, implementar plataformas para diferentes aspectos asociados al ciclo de los datos y los productos de datos y su respectivo gobierno, e incluso pensar en reportería y automatización de procesos ricos en datos. Podría haber usado IA, pero esto es tan genérico que a mi gusto deja una incertidumbre que inmoviliza a muchos.

Desglosando el Mercado: Dos Segmentos Clave en Latam

Es importante destacar que, aunque podríamos considerar responder estas preguntas por vertical, encuentro apropiado dividir el mercado total en al menos dos segmentos. Por un lado, están las grandes empresas y el sector financiero, que suelen tener una experiencia consolidada en el manejo de datos, desarrollo de productos DATA** e integración en sus operaciones. Estas organizaciones tienen enfoques orientados a acelerar y optimizar sus modelos, infraestructura y prácticas de desarrollo y despliegue.

Por otro lado, se encuentran las demás organizaciones que, si bien tienen datos, están dando sus primeros pasos o considerando hacerlo. En muchos casos, se plantea la importancia de invertir en el desarrollo de habilidades para aprovechar al máximo sus datos. Estas organizaciones suelen ser más pequeñas, con una trayectoria en la recopilación de datos en sistemas como ERPs y CRMs, y con departamentos de TI tradicionales. A menudo, sus gerentes están familiarizados con la revolución de los datos, han experimentado con herramientas como Chat GPT, o cuentan con personal técnico entusiasta. En ocasiones, los proveedores de tecnología también se acercan ofreciendo soluciones o modelos.

Explorando los Desafíos y Preguntas del Segmento en Crecimiento

Aunque ambos segmentos son fascinantes, este artículo se enfoca principalmente en el segundo grupo. El primero está en pleno movimiento, enfocado en optimizar y acelerar sus operaciones. Se compara con líderes globales y comprende las estrategias vigentes. Debido a su tamaño, ya han establecido sólidas estructuras de TI y BI, y han desarrollado equipos con habilidades en ciencia e ingeniería de datos. Contamos con múltiples experiencias en proyectos de modelado, optimización de infraestructura de datos, automatización, generación de informes y estrategia en estas empresas de gran envergadura.

Perspectiva Personal: Importancia del Segundo Segmento

En particular, he presenciado en varias ocasiones el impacto generado por el uso efectivo de los datos, y reconozco la importancia de dotar a este motor de desarrollo regional con herramientas que promuevan una mayor competitividad a nivel global. Además, en este diverso grupo hemos colaborado con una amplia gama de empresas, desde startups tecnológicas hasta pequeños restaurantes y minoristas, empresas de servicios, organizaciones sin fines de lucro e incluso entidades gubernamentales locales y nacionales. Es importante destacar que, al considerar lo mencionado a continuación, el sector público debe tener en cuenta que la complejidad aumenta debido a factores políticos.

Algunos de los patrones que he notado en la interacción con organizaciones dentro de este grupo:

(1) Poca claridad sobre el impacto y el potencial de los datos. 

La situación es comprensible. En el mundo digital, abunda la información sobre big data e inteligencia artificial. A menudo, los expertos técnicos tienden a utilizar términos especializados que pueden confundir a los líderes empresariales y tomadores de decisiones que no son necesariamente “techies".

Me gusta aclarar y simplificar la situación de la siguiente manera: El impacto de los datos se genera desde cualquiera de las siguientes 3 perspectivas (o una combinación de ellas).

Imagen 1: drivers de generación de impacto

a. Decisiones. Influyendo en las decisiones diarias de la organización, surge la pregunta de cómo podemos mejorar estas decisiones. ¿Podemos llevar reportes a estos decisores? ¿Podemos facilitar acceso a dashboards relevantes? ¿Podemos aplicar ´inteligencia aumentad´ ofreciendo alternativas óptimas a quienes tienen que decidir constantemente al interactuar con clientes u otros actores? ¿Podemos hacer que ´las máquinas´ automaticen decisiones que hoy toman humanos? Pensar en esas decisiones que se toman todos los días, es una buena forma de aproximarse al problema.

Imagen 2: Impacto DATA desde la perspectiva de Decisiones

b. Procesos. Otra perspectiva es pensar en los grandes procesos que existen en las organizaciones. Estos van desde áreas comerciales y de mercadeo, hasta áreas más operativas e incluso de logística. Hay sistemas que acumulan datos respecto a estos procesos? Hay procesos que son muy ricos en datos? ¿Es posible mejorar el outcome de alguno de esos procesos con base en datos? Muchas organizaciones se han embarcado en el mapeo de procesos, y este es un gran paso desde el cual se puede contestar por donde iniciar. 

Imagen 3: Impacto DATA desde perspectiva de procesos

c. Conocimiento. La perspectiva de comprender qué conocimiento es relevante para la organización resulta interesante. En muchos casos en los que hemos trabajado, identifiacamos conocimientos internos o externos que no están bien documentados, centralizados o accesibles. La innovación con datos nos permite reunir todo ese conocimiento disperso, hacerlo disponible y así generar valor e impacto tanto internamente como para nuestros clientes.

(2) Dudas en torno al Costo y Tiempo de Experimentos Iniciales

Esto no es para todos. Lo primero es (1) contar con datos, saber que hay un sistema en uso con un mínimo de 2 o 3 años de historia. Tal vez un CRM o un ERP y la posibilidad de contar con datos de transacciones, maquinarias o la operación. Luego está el contar con (2) la posibilidad de que quienes entienden el negocio y los sistemas, puedan dedicar unas 10 horas al mes, durante 3 a 4 meses. Finalmente, pasar por un diagnóstico y un potencial primer producto de datos va a costar (3) entre USD 15,000 y 30,000 según el caso. 

Si no podemos decir SI a estos 3 puntos, y no tenemos como organización la capacidad de jugar con un estimado de USD 20,000, no vale la pena iniciar. Hay un cuarto punto que añado con cierto cuidado, y es que la organización tenga (4) la capacidad de incorporar (en el corto o mediano plazo) habilidades de analítica, al menos 1 o 2 personas, en caso de que tanto el diagnóstico y el primer producto prueben ser de valor. Esto porque desarrollar un primer producto de datos y tener una ruta, es sólo el inicio. Luego se genera una expectativa (y un potencial visible) de impactar al negocio. Si estamos en condiciones de actuar, ya con un más claro entendimiento de retorno a la inversión, vale la pena dar ese paso de hacer un diagnóstico y buscar desarrollar ese primer proyecto.

Pero esto responde a que si se cuenta con datos, en un período de 3 a 4 meses se puede pasar de esta incertidumbre a tener una clara hoja de ruta e incluso un primer producto de datos implementado mostrando el impacto que se puede generar. 

(3) Dudas Tecnológicas y Desafíos al Iniciar este Recorrido

El impulso tecnológico que inició todo
En numerosas ocasiones, hemos entablado conversaciones con empresas que fueron abordadas por proveedores de soluciones tecnológicas. Habitualmente se habla de nuevas funciones, tecnologías o plataformas integradas con atractivos visuales. Sin embargo, esto conlleva riesgos. Los proveedores tecnológicos tienen objetivos comerciales y, aunque sus intenciones no sean malas, las ventas se ven impulsadas por incentivos que no siempre coinciden con los intereses del negocio.

Mi consejo aquí es SIMPLIFICAR. No embarcarse en compra de nuevas tecnologías que no estén respondiendo a una pregunta específica y con un camino claro para generar impacto. Es muy cierto que es un buen momento para considerar el buen uso de los datos para ser más competitivos, pero tiene que tener sentido común. 

Cuando queremos saber cuales son los hitos de este camino que queremos iniciar o valorar

No es fácil generalizar. Cada organización es diferente, y la variabilidad que se genera según el tipo de liderazgo y management existente, la industria en la que se opera y la competitividad de la misma, la riqueza en datos y sistemas con su respectivo acceso a datos, y la capacidad de apuestas a mediano plazo (entre otras) no hacen fácil pensar en algo que aplique a todas las organizaciones del grupo 2. 

Dicho eso, si es viable pensar en algunos pilares sobre los cuales se va construyendo ese camino a potenciar los datos en la organización.

1. Reportería y dashboards. Este suele ser un buen primer paso en la dirección adecuada. Ya sea que se contrata alguna licencia de PowerBI o Tableau, o hay alguien inquieto en TI que comienza a hacer uso de librerías en Python o R, el poder dar a los tomadores de decisiones la información que requieren, de forma estructurada, es de alto valor para moverse en la dirección adecuada en una cultura de datos. 

2. Automatización de procesos ricos en datos. Identificar algún proceso que es actualmente muy manual, y que tiene el potencial de liberar tiempo de muchas personas, es otro quick win a considerar. Tenemos muchos casos de organizaciones que de forma periódica tenían que invertir mucho tiempo para generación de reportes (mezclando múltiples fuentes o xlsx). Resolver este tipo de dolores abre el paso para mejoras, impacto en el corto plazo, y visibilidad de mayor impacto a futuro.

3. Ciclo corto para modelo, MVP. Suele haber algún dataset con potencial predictivo, o con la capacidad de impactar algún proceso en particular. Cuando existe esta intuición, es fácil generar un proceso rápido que en corto tiempo (3-4 meses) genere un producto mínimo viable o MVP. 

4. Optimización de infraestructura. Para las organizaciones que ya comenzaron a moverse, suele haber mucho espacio de mejora en lo referente a arquitectura e infraestructura. En múltiples casos hemos visto que las organizaciones se ven forzadas a ajustar presupuestos de una etapa inicial (exitosa). Llegado el caso, existen procesos y metodologías para reducir costos que hemos visto y aplicado en múltiples ocasiones. Incluso la consideración de manejar modelos híbridos licenciados + open source. 

5. Optimización de productos de datos. Para esas organizaciones que ya avanzaron en crear productos que tuvieron algún nivel de adopción, suele surgir ese problema de productos que podrían ser mas utilizados (por ejemplo por la fuerza comercial, el call center, o el área de operaciones) que lo que actualmente se usan. Entender las trabas para adopción es un paso clave para potenciar las iniciativas de innovación con datos. 

6. Optimización de estrategia. Aunque esto es algo que tranquilamente podemos valorar al inicio, a veces tiene sentido avanzar un poco en generar esos primeros productos de datos y aprender, para luego pensar en un re-alineamiento de la estrategia de la empresa con la estrategia de datos. Incluso pensar en cómo llevar estas iniciativas al próximo nivel, incorporando talento y desarrollando habilidades, se hace de alto valor para las organizaciones que dieron buenos primeros pasos.

Esto no busca ser una lista final, pero espero que aporte algunas ideas y que genere buenas discusiones.

Por favor no duden en contactarme si tienen puntos de vista que quieran compartir (diego@ixpantia.com) o tomarnos un café virtual y conversar sobre sus experiencias y perspectivas.