El uso y análisis de datos para el comercio en las empresas, también conocido como data science, es una ventaja que puede generar un valor exponencial en las ventas.
Cada vez más empresas están invirtiendo en data y en especialistas para generar valor con ellos. Sin embargo, otras empresas aún tienen cierto temor en ingresar a este universo, ya sea porque desconocen de qué se trata o porque lo consideran prescindible.
Según Carlos Gamero Loayza, director digital (CDO) de Yanbal, el data science consiste en el análisis de datos del entorno para la generación de conocimiento y con ello de valor.
En el caso de las empresas, esto permite cierta predictibilidad, a fin de obtener patrones y rutas para optimizar la relación con los consumidores y los procesos de venta.
Data science: 5 mitos sobre su uso en las empresas
En diálogo con Infomercado, Carlos Gamero explicó cuáles son los cinco mitos del data science en la generación de valor en las empresas.
1. Se necesita toda una estrategia y un gran equipo. La data, como el internet, es una herramienta útil para resolver problemas específicos del negocio: operaciones, cadena de valor, etc. No se necesita una gran estrategia de data, se puede empezar por un piloto que sea factible, generar capacidades en cada área y, a partir de ello, implementar proyectos más grandes.
2. Hay que dejarlo todo a los especialistas. Los problemas se resuelven combinando las capacidades de la gente que conoce el negocio con el conocimiento del equipo de datos. Lo ideal es que el análisis de datos sea trasversal. Además, hay que involucrarse en estos temas porque en poco tiempo pasará lo mismo que con la computación y el internet: será de uso común y frecuente.
3. Solo sirve a las grandes empresas. El uso de data es también para emprendimientos y empresas medianas o pequeñas que pueden contratar a uno o dos especialistas, o comprar bases de datos para hacer analytics. De hecho, algunas pymes ya lo vienen haciendo de cierta manera, aunque aún en menor medida que las empresas grandes.
4. Mientras más data mejor. Hay que ver qué data es importante para el problema que se busca resolver, ya que cantidad no equivale a calidad. A veces para implementar un modelo útil y eficiente, es suficiente utilizar pocos datos o pocas variables. Para ello primero hay que definir bien cuál es la necesidad.
5. Reducirá el número de trabajadores. Es un riesgo, pero no necesariamente tiene que ser así. Lo que sucederá es que, como cualquier revolución industrial, cambiará la forma de trabajo o las habilidades de las personas. El data science podría llegar a ser parte de la formación académica o profesional.
Carlos Gamero consideró que hoy Perú cuenta con buenos profesionales en analytics, al punto que vienen siendo requeridos incluso por empresas extranjeras.
Señaló que con el uso de data los resultados no son inmediatos, sino que es un trabajo de mediano a largo plazo. “No es que una vez que se haga el modelo, va a generar valor de inmediato; hay todo un proceso de cambio, de ver qué estrategia hay que implementar para llegar mejor al cliente”, sostuvo.
Agregó que puede haber temor de una pyme en ingresar a este universo, porque están más enfocadas en atender temas del día a día, “pero a medida que vayan adquiriendo conocimiento, se van a dar cuenta de que no es tan complejo como pensaban y que lo pueden hacer con sus recursos”, finalizó.