En “El mito electrónico revisado: por qué la mayoría de las pequeñas empresas no funcionan y qué hacer al respecto”, Michael E. Gerber invita a los propietarios de pequeñas empresas a dejar de trabajar “en su negocio” y empezar a trabajar en su negocio. Una de las tesis centrales del libro es que los propietarios de PYMES deberían actuar como si quisieran franquiciar su negocio. Esto los obliga a (1) analizar detenidamente todas sus actividades y procesos y (2) optimizar y estandarizar esas actividades y procesos. Al hacerlo, maximizarán el rendimiento de su negocio y lo harán replicable. Esta idea es similar a algo expresado por Ray Dahlio en “Principios”: para que un equipo tenga éxito, su gerente debe trabajar en el equipo (y no en el equipo) y construir un sistema que maximice el rendimiento de cualquier aportación determinada.
Hasta cierto punto, esos consejos también se pueden aplicar a los equipos de análisis. Para un equipo de análisis, esquemáticamente, la entrada es el tiempo dedicado a convertir los datos en conocimientos, los resultados son “conocimientos de calidad” y la relación entre los dos se puede representar de la siguiente manera:
# de insights de calidad por mes = tiempo dedicado a convertir datos en insights / tiempo promedio necesario para convertir datos en insights de calidad
Para aumentar la cantidad de conocimientos de calidad generados por su equipo, debe trabajar para aumentar el tiempo dedicado a convertir los datos en conocimientos o para disminuir el tiempo promedio necesario para convertir los datos en conocimientos de calidad. Puede hacerlo construyendo “sistemas”.
Aumentar el tiempo dedicado a convertir datos en conocimientos
El tiempo dedicado a convertir los datos en conocimientos es claramente una función de su plantilla total, por lo que aumentar la plantilla es la solución obvia, pero puede que no sea la más fácil.
Otra forma de verlo es que el tiempo dedicado a convertir los datos en conocimientos es el resultado de la siguiente ecuación:
Tiempo dedicado a convertir datos en conocimientos = Tiempo total de personal – Tiempo dedicado a trabajos sin datos
El tiempo dedicado al trabajo sin datos incluye elementos como “alineación con las partes interesadas”, “comunicación”, etc.
- Estas tareas son esenciales para el éxito de cualquier buen trabajo con datos (¿de qué sirve generar insights si no hay interés en ellos o si no se comunican adecuadamente?).
- Pero estas tareas generalmente se tratan como “pensamientos posteriores”. Es bastante raro ver un equipo con una estrategia o proceso claro sobre esos elementos, muy probablemente porque esto no es tan “cool” como el trabajo con datos reales, y también porque esto no es necesariamente parte de su conjunto de habilidades.
- Esto da como resultado que estas tareas tomen más tiempo del esperado y más tiempo del necesario para garantizar el éxito del trabajo de datos real que respalda.
Al (1) definir procesos claros sobre cómo realizar estas tareas y (2) al estandarizar y optimizar estos procesos a lo largo del tiempo, se pueden generar muchos ahorros de tiempo (es decir, reducir el tiempo dedicado al trabajo sin datos). y mejorar la calidad de su producción al mismo tiempo.
Un ejemplo concreto de esto en torno a la alineación interfuncional podría ser comenzar a realizar sesiones de priorización al comienzo de cada mes. En el primer mes de hacer esto, te das cuenta de que para tener una buena sesión de priorización necesitas tener un marco estándar para tomar decisiones de priorización. Lo introduces en el mes 2 y funciona, pero luego te das cuenta de que, para hacerlo aún mejor, necesitas tener un mejor proceso para mapear los proyectos potenciales para el equipo, así que lo introduces en el mes 3, etc. Con el tiempo, con Con este enfoque iterativo, puede llegar a un proceso muy eficaz, lo que permitirá a su equipo dedicar menos tiempo al “trabajo político” y centrarse más en la creación de conocimientos.
Otro ejemplo relacionado con la comunicación en toda la empresa: comienzas sin un proceso claro en el mes 1 y te das cuenta de que tu estudio no se está consumiendo tanto como debería. Entonces, en el mes 2, lanzas un foro mensual. Durante esos foros mensuales, te das cuenta de que tus partes interesadas necesitan ver los datos presentados de cierta manera para que sean más digeribles para ellos, por lo que adoptas un determinado formato/plantilla, etc.
Nuevamente, al optimizar esos procesos, no solo ahorra tiempo que puede reinvertir en la creación de conocimientos, sino que también se prepara para el éxito, ya que esos procesos no relacionados con datos que consumen mucho tiempo respaldan la capacidad de su equipo para generar conocimientos de calidad.
Disminuir el tiempo promedio necesario para convertir los datos en conocimientos de calidad.
Hay un par de factores que pueden influir en el tiempo que lleva convertir los datos en conocimientos de calidad. Por nombrar unos cuantos:
- Las habilidades del analista.
- El apoyo del equipo.
- La disponibilidad de datos
- La existencia de herramientas.
La primera estrategia es mejorar las habilidades de sus analistas para reducir el tiempo que les lleva convertir los datos en conocimientos de calidad. Cuanto mayores sean sus habilidades y más experiencia tengan, más rápido podrán convertir los datos en conocimientos de calidad. Si bien la capacitación a nivel de equipo o el coaching individual generalmente pueden generar mucho valor, una forma “suave” de mejorar las habilidades es crear “plantillas” de proyectos para que más analistas jóvenes puedan adoptar las mejores prácticas y aprender rápidamente. Por ejemplo, tener plantillas puede obligarlos a pensar en preguntas clave como “cuál es el problema”, “cómo se utilizarán sus resultados en la vida real”, etc., que en última instancia les ayudarán a formular planteamientos de problemas más sólidos antes de comenzar. su estudio.
Crear formas para que el equipo colabore y comparta sus conocimientos también puede ser una forma de reducir el tiempo para obtener información. Puede ser tan fácil como crear canales de Slack o grupos de Google y encontrar algún incentivo para que las personas participen, pero esas pequeñas acciones pueden ser de gran ayuda. Una vez que existen esos “lugares”, los analistas pueden encontrar apoyo cuando no estén seguros de cómo proceder, utilizar el conocimiento colectivo del equipo y crear debates que inspiren nuevas ideas. Por eso también creo que es fantástico tener reuniones periódicas donde los analistas puedan presentar en qué trabajaron, centrándose en la metodología que utilizaron, ya que difunde conocimientos y puede dar ideas.
La disponibilidad de datos puede ser un gran obstáculo. Si tiene que dedicar su tiempo a realizar consultas complicadas porque no existen bases de datos agregadas simples, y si tiene que verificar tres veces sus resultados cada vez porque no existe una fuente de datos certificada o centralizada, no solo eso creará un estrés innecesario para el equipo, pero perderás un tiempo precioso. Crear los canales de datos adecuados para facilitar el análisis posterior puede ser una estrategia eficaz, si es que aún no se ha hecho.
Finalmente, si tienes que hacer el mismo análisis con bastante frecuencia, la existencia de herramientas puede ser una forma de reducir el tiempo que dedicas a realizar trabajos repetitivos. Esto es bastante común para cosas como las pruebas A/B, donde puede crear/comprar licencias para herramientas automatizadas para realizar todas las pruebas estadísticas por usted, de modo que no tenga que reinventar la rueda cada vez que obtenga datos de un experimento. Requiere tener un caso de uso específico y repetido, pero cuando ese es el caso, puede ser una excelente manera de reducir el tiempo para obtener información (y un punto adicional: esta también es una excelente manera de estandarizar la calidad del resultado).
En última instancia, hay algunas maneras de reducir el tiempo promedio para obtener información valiosa, y creo que estoy bastante lejos de ser exhaustivo. También puede pensar en la gestión del conocimiento, la capacidad de descubrimiento de datos, etc.; todo depende de cuáles son los principales puntos débiles a los que se enfrenta su equipo.
En conclusión
Podemos reelaborar nuestra fórmula inicial:
# de insights de calidad por mes = (tiempo total de personal: tiempo dedicado a trabajos sin datos) / tiempo promedio para obtener insights de calidad.
Y si bien aumentar su plantilla total es una manera de abordar el problema, podría lograr resultados similares si analiza detenidamente sus procesos, su infraestructura, sus herramientas y su estrategia de “soporte de analistas”.
Este artículo fue publicado en forma cruzada en Análisis explicadoun boletín donde resumo lo que aprendí en varios roles analíticos (desde nuevas empresas de Singapur hasta grandes tecnológicas de SF) y respondo preguntas de los lectores sobre análisis, crecimiento y carrera.