Aprende a medir el verdadero impacto de tus proyectos y convierte tu data en dinero.
Por: Francisco Gordillo, Head of Data en Platzi.
Es común encontrar en las empresas que los líderes y sus equipos no tienen clara la manera en la cual los datos aportan directamente a cifras del negocio. Generalmente, las escuelas que enseñan de data y de analítica hacen énfasis en robustecer las habilidades técnicas y en dar uso a diferentes mediciones de precisión estadística, pero se pasan por alto el profundizar en la evaluación de proyectos o iniciativas con base en datos que deberían aportar al negocio.
Según McKinsey & Company, la empresa de consultoría más importante a nivel mundial, solo el 30% de las organizaciones logran escalar y mantener con éxito las mejoras digitales, lo que indica que una mayoría significativa de proyectos no alcanzan los resultados esperados. Esto sucede por distintos factores y uno de ellos, desde mi experiencia, se debe a que los equipos no entienden cómo medir la captura de valor de un proyecto antes de iniciarlo y mucho menos cuando sale a producción.
Si lo enfocamos en iniciativas o proyectos de datos, es aún más crítico, ya que los profesionales de datos se enfocan mucho más en aprender nuevos algoritmos, nuevos lenguajes de programación, nuevas arquitecturas y recientemente en usar cada vez más servicios de inteligencia artificial, que en entender cómo todo este conocimiento se traduce en impacto real.
Trabajar con datos es mucho más que generar insights: se trata de garantizar que cada proyecto tenga un impacto medible y que el retorno justifique la inversión. Esto implica considerar no solo el impacto directo en el negocio, sino también el costo de infraestructura y el tiempo dedicado por cada rol del equipo de datos.
Aquí exploramos cómo roles como analistas, científicos, ingenieros y especialistas en gobierno de información trabajan en conjunto para generar impacto en industrias como banca, fondos de pensiones, retail para mascotas y educación en línea, industrias en las que he tenido la oportunidad de aportar con el uso eficiente de los datos. Utilizaremos las metodologías que desde mi experiencia funcionan mejor para medir el impacto:
Usaremos información y resultados hipotéticos, pero con base en eventos reales.
Ejemplo en banca:
En un banco, los analistas detectaron que el bajo uso de tarjetas de crédito impacta los ingresos por comisiones. Diseñaron una campaña personalizada para incentivar la activación y midieron el impacto con A/B testing.
Grupo de tratamiento: clientes que recibieron la campaña.
Grupo de control: clientes similares que no recibieron nada.
Resultados:
El grupo de tratamiento tuvo una tasa de activación un 25% mayor, generando $500,000 adicionales en ingresos por transacciones activas durante los primeros tres meses.
Costos:
Infraestructura: $10,000 por herramientas de análisis y almacenamiento.
Horas del analista: 80 horas (2 semanas) a $50/hora = $4,000.
Mantenimiento por un año: $5,000 adicionales.
Impacto neto anual:
El impacto proyectado fue de $2M en ingresos adicionales, con un costo total de $19,000, logrando un retorno 100 veces superior a la inversión.
Ejemplo en fondos de pensiones (modelo de churn + A/B Testing):
Los científicos de datos desarrollaron un modelo predictivo para identificar clientes con mayor riesgo de abandonar el fondo y diseñaron estrategias para retenerlos.
- Grupo de tratamiento: clientes que recibieron recomendaciones financieras personalizadas.
- Grupo de control: clientes sin intervención.
Resultados:
El modelo identificó clientes con un 85% de precisión. El grupo de tratamiento redujo el churn en un 20 %, reteniendo $10M en activos bajo administración en el primer año.
Costos:
Infraestructura (modelado y pruebas): $20,000.
Horas del científico: 200 horas (5 semanas) a $60/hora = $12,000.
Mantenimiento del modelo: $10,000/año.
Impacto neto anual:
Con una inversión total de $42,000, el retorno fue 238 veces mayor, consolidando la importancia del modelo.
Ejemplo en retail de mascotas (incrementalidad a 1 año):
Los ingenieros crearon pipelines para automatizar la segmentación y análisis de promociones personalizadas en alimentos para perros pequeños.
Grupo de tratamiento: clientes que recibieron promociones personalizadas.
Grupo de control: clientes similares que no recibieron nada.
Resultados:
El grupo de tratamiento incrementó su ticket promedio un 15 %, generando $200,000 adicionales en ingresos durante el primer trimestre.
Costos:
Infraestructura: $25,000 para la creación de pipelines.
Horas del ingeniero: 160 horas (4 semanas) a $55/hora = $8,800.
Mantenimiento por un año: $10,000.
Impacto neto anual:
Proyectando un impacto anual de $800,000, el costo total de $43,800 representa un retorno 18 veces mayor.
Ejemplo en retail de mascotas (incrementalidad a 1 año):
El equipo de gobierno de datos corrigió inconsistencias en las direcciones de entrega, que causaban fallos en pedidos y pérdidas de clientes. Implementaron un proceso de validación y normalización de datos.
Grupo de tratamiento: clientes con direcciones normalizadas.
Grupo de control: clientes con datos sin corregir.
Resultados:
El grupo de tratamiento aumentó las entregas exitosas un 30%, contribuyendo a $300,000 adicionales en ventas trimestrales.
Costos:
Infraestructura: $15,000 para normalización y validación.
Horas del equipo de gobierno: 100 horas (2.5 semanas) a $50/hora = $5,000.
Mantenimiento anual: $7,000.
Impacto neto anual:
Proyectando $1.2M en ventas adicionales, el costo total de $27,000 representa un retorno 44 veces mayor.
Ejemplo en retail de mascotas (Incrementalidad + A/B Testing a 1 año):
Un equipo multidisciplinario trabajó en reducir el abandono de carritos en el e-commerce:
1. Analistas: identificaron que el costo de envío era una barrera clave.
2. Científicos: crearon un modelo predictivo para segmentar clientes propensos a abandonar.
3. Ingenieros: construyeron pipelines para automatizar la personalización de promociones.
4. Gobierno de datos: validaron que los datos cumplieran con normativas y calidad.
Grupo de tratamiento: clientes con envío gratis en productos clave.
Grupo de control: clientes similares sin promoción.
Resultados:
El grupo de tratamiento incrementó las conversiones un 12 %, generando $50,000 adicionales en ingresos en el primer mes.
Costos:
Infraestructura: $30,000 para pipelines y almacenamiento.
Horas totales del equipo: 300 horas (7.5 semanas) a un promedio de $55/hora = $16,500.
Mantenimiento anual: $15,000.
Impacto neto anual:
Proyectando $600,000 adicionales al año, el costo total de $61,500 representa un retorno 10 veces mayor.
El verdadero impacto no se mide solo en ingresos adicionales, sino también en cómo justificar la inversión en infraestructura y recursos humanos. Con un enfoque en incrementalidad, A/B testing y un análisis detallado de costos, cada rol del equipo de datos puede demostrar su valor y asegurar un retorno significativo para el negocio.
¿Listo para implementar estos enfoques en tus proyectos? ¡Empieza hoy y transforma tus datos en impacto real! 🚀.
Si eres un profesional en datos o estás pensando que esta es una gran opción para desarrollar una carrera profesional que contribuya a tu presente y tu futuro, te recomiendo la escuela de datos de Platzi https://platzi.com/escuela/datos/, allí encontraras todo lo necesario para que puedas triunfar en este maravilloso mundo.
