Top 5 de las peores prácticas en BI y las claves para sortearlas

Manuel del Pino, Manager Preventa de Information Builders IbéricaNumerosos proyectos de business intelligence (BI) no alcanzan los resultados esperados. Según un informe reciente de la firma analista Dresner Advisory Services, solo un 35% de las compañías entrevistadas se muestran plenamente satisfechas con los resultados de la implementación de su solución de inteligencia de negocio.

Independientemente de su tamaño, las organizaciones que se adentran en estas iniciativas suelen padecer incontables incidencias, así como problemas de criterio durante las fases de planificación, selección de herramientas y lanzamiento del proyecto. Incluso las entidades más punteras e innovadoras en materia tecnológica suelen cometer los mismos errores, los cuales pueden conducir sus proyectos de BI al fracaso.

 

TOP 5 de peores prácticas en business intelligence

Este es, bajo nuestro punto de vista, el top 5 de las peores prácticas en torno al business intelligence:

  1. Dependencia del ser humano para industrializar análisis
    Muchas organizaciones hablan de “industrializar análisis” al utilizar información de manera estratégica para alinear comportamientos con los resultados deseados. Una estrategia de BI puede empoderar al usuario final con información, pero en numerosas ocasiones éste carece de las herramientas necesarias para entender lo que la información realmente significa, así como las claves para alcanzar un objetivo, ya sea modificar una métrica, cambiar un producto o motivar un comportamiento.
    Confiar en el ser humano para salvar la distancia existente entre inteligencia y acción es inadecuado. Las organizaciones han de embeber el BI y la analítica en las aplicaciones y los procesos de negocio. Cuando los datos están disponibles tanto en los sistemas como en los procesos que los usuarios emplean a diario, los análisis han de convertirse en una parte inherente de las actividades operacionales. Se deben visionar en el contexto de su flujo de trabajo habitual y dar paso a la acción de manera inmediata, lo que revertirá en mejoras sensibles.
     
  2. Contar con el BI en modo auto-servicio para cubrir todas tus necesidades
    El BI en modo auto-servicio tiene un propósito específico e importante: empoderar a los empleados no-tecnicos, incluso a clientes y a socios, para recuperar y analizar la información cuando lo necesiten. Instalar una herramienta de BI fácil de usar no supone contar automáticamente con un entorno de BI en modo auto-servicio.
    Una organización necesita saber qué empleados necesitan emplear información en su día a día y qué tipo de auto-servicio realmente requieren. Por supuesto, no ha de contemplar una única herramienta para todos los usuarios. El mayor error que puede cometer es adquirir una sencilla herramienta de BI en modo auto-servicio y darle a todo el mundo acceso a ella.
     
  3. Subestimar la importancia de la preparación de los datos
    Los datos erróneos conducen a decisiones erróneas. Hay que tener en cuenta que cualquier problema de calidad de datos puede incidir muy negativamente en una organización. Diversos estudios coinciden en que en torno a un 60% de las compañías no confían en la cualificación de sus propios datos. La correcta aplicación de herramientas de BI y analítica para optimizar los denominados “datos sucios” supone una receta recomendable para anticiparnos a un posible desastre en la materia. No importa lo sofisticadas que sean las visualizaciones y las analíticas que emplee una organización, si la fiabilidad de sus datos no es de confianza. Incorporar una estrategia de gestión de calidad de datos y de gestión de datos maestros a la política global de BI ayudará a identificar y corregir la información errónea antes de que llegue al usuario final.
    Funcionalidades como el perfilado, limpieza, emparejamiento e integración de datos, así como el desarrollo de una visión única de la información proveniente de todas las fuentes, permitirá preparar y optimizar el análisis de los datos para garantizar su fiabilidad, completitud, puntualidad y consistencia. La confianza en los datos fomentará una adopción más masiva entre los usuarios, lo que sin duda traerá consigo la generación de mayor valor añadido.
     
  4. Usar herramientas tácticas de BI para dar soporte a estrategias globales de BI
    Las estrategias más efectivas de BI no giran en torno a las necesidades que se producen a nivel departamental, sino que se formulan teniendo en cuenta la problemática global de toda la organización. Muchas compañías desarrollan sus estrategias de BI alrededor de un puñado de soluciones tácticas. Un ejemplo puede ser el de aquellas entidades que implementan herramientas de descubrimiento de datos desconectado que permiten al usuario generar sus propios informes, análisis o visualizaciones. Sin embargo, estas herramientas son demasiado complicadas para el típico usuario de negocio.
    Sólo los analistas y los usuarios más cualificados cuentan con las habilidades y los conocimientos suficientes como para sacar provecho de estas soluciones, lo que deja al margen a la inmensa mayoría de usuarios, entre ellos ejecutivos, responsables, empleados cara al público, clientes y partners. Como consecuencia el nivel de adopción se reduce de manera drástica y el retorno de la inversión se minimiza sensiblemente. Las compañías han de considerar a todo su espectro de usuarios –incluso más allá de su cortafuegos- y analizar cómo atender sus necesidades sin crear silos ni demasiados trastornos en los procesos de implementación. ¿Es factible que una única plataforma dé respuesta a todas las necesidades analíticas de una organización?
     
  5. Ignorar fuentes de datos importantes
    Los proyectos de BI se suelen concentrar en la información contenida en los ERPs y CRMs, las bases de datos relacionales, los data warehouses y otros sistemas empresariales. Pero han aparecido otras fuentes importantes de datos con valiosos tesoros de información procedentes de máquinas, entornos móviles, redes sociales, sistemas de geolocalización o monitorización web. Las compañías que decidan ignorar estas fuentes correrán el riesgo de perder importantes oportunidades de negocio. Los datos desestructurados se encuentran especialmente poco explotados, y es que se estima que solo un tercio de ellos se emplean adecuadamente para la toma estratégica de decisiones. Para sacar todo el partido posible de sus iniciativas de BI y analítica habrá de tener en cuenta todos los activos de información disponibles, ya sean estructurados o desestructurados.

 

Con este artículo arranca una serie de colaboraciones de Information Builders para Dataprix en los que explicaremos en detalle cada una de las principales malas prácticas que se producen en el ámbito del BI y la analítica, hablaremos de ejemplos reales y analizaremos las claves para sortear estas situaciones inapropiadas.

 

Por Manuel del Pino, Manager Preventa de Information Builders Ibérica