La ciencia de los datos y el arte de la persuasión

La idea en pocas palabras El problema Las empresas respondieron al auge de la analítica contratando a los mejores científicos de datos que pudieron encontrar, pero muchas de ellas no han obtenido el valor que esperaban de sus iniciativas de ciencia de datos. La causa Para que un proyecto de análisis genere valor, el equipo debe, en primer lugar, formular preguntas inteligentes, reunir los datos pertinentes y descubrir ideas. En segundo lugar, debe averiguar -y comunicar- qué significan esas percepciones para la empresa. La capacidad de hacer ambas cosas es extremadamente rara, y la mayoría de los científicos de datos están formados para hacer lo primero, no lo segundo. La solución Un buen equipo de científicos de datos necesita seis talentos: gestión de proyectos, manejo de datos, análisis de datos, experiencia en la materia, diseño y narración de historias. La combinación adecuada cumplirá la promesa de los análisis de una empresa. La ciencia de los datos está creciendo rápidamente. En los últimos cinco años, las empresas han invertido miles de millones para conseguir que los científicos de datos con más talento se instalen, acumulen zettabytes de material y lo pasen por sus máquinas de deducción para encontrar señales en el insondable volumen de ruido. Hasta cierto punto funciona. Los datos han empezado a cambiar nuestra relación con campos tan variados como la traducción de idiomas, el comercio minorista, la atención sanitaria y el baloncesto. Pero a pesar de las historias de éxito, muchas empresas no están obteniendo el valor que podrían de la ciencia de datos. Incluso las operaciones bien gestionadas que generan análisis sólidos no consiguen capitalizar sus conocimientos. Los esfuerzos se quedan cortos en la última milla, cuando llega el momento de explicar el material a los responsables de la toma de decisiones. En una pregunta de la encuesta de 2017 de Kaggle a científicos de datos, a la que respondieron más de 7.000 personas, cuatro de los siete principales "obstáculos a los que se enfrentan en el trabajo" estaban relacionados con cuestiones de última milla, no técnicas: "falta de apoyo directivo/financiero", "falta de preguntas claras a las que responder", "resultados no utilizados por los responsables de la toma de decisiones" y "explicar la ciencia de datos a los demás". Esos resultados son coherentes con lo que el científico de datos Hugo Bowne-Anderson descubrió entrevistando a 35 científicos de datos para su podcast; como escribió en un artículo de HBR.org de 2018, "La gran mayoría de mis invitados me dicen [a mí] que las habilidades clave para los científicos de datos son....las habilidades para aprender sobre la marcha y para comunicarse bien con el fin de responder a las preguntas de negocio, explicando resultados complejos a los stakeholders no técnicos." En mi trabajo dando conferencias y asesorando a grandes organizaciones sobre visualización de datos (dataviz) y presentaciones persuasivas, oigo tanto a los científicos de datos como a los ejecutivos dar rienda suelta a su frustración. Los equipos de datos saben que están sentados sobre perspectivas valiosas pero no pueden venderlas. Dicen que los responsables de la toma de decisiones malinterpretan o simplifican en exceso sus análisis y esperan que hagan magia, que ofrezcan las respuestas correctas a todas sus preguntas. Los ejecutivos, mientras tanto, se quejan de la cantidad de dinero que invierten en operaciones de ciencia de datos que no proporcionan la orientación que esperaban. No ven resultados tangibles porque los resultados no se comunican en su idioma. Las brechas entre los tipos de negocio y de tecnología no son nuevas, pero esta división es más profunda. Consideremos que hace 105 años, antes de la codificación y los ordenadores, Willard Brinton comenzaba su libro de referencia Graphic Methods for Presenting Facts describiendo el problema de la última milla: "Una y otra vez sucede que algún miembro ignorante o presuntuoso de un comité o de una junta directiva echa por tierra el plan cuidadosamente elaborado de un hombre que conoce los hechos, simplemente porque el hombre que conoce los hechos no puede presentar sus hechos con la suficiente facilidad para superar la oposición.... Como la catedral es a sus cimientos así es una presentación eficaz de los hechos a los datos." Los ejecutivos se quejan de que la ciencia de los datos no les proporciona la orientación que esperaban. ¿Cómo es posible que esta canción siga siendo la misma desde hace más de un siglo? Como cualquier otra cosa tan arraigada, los orígenes del problema de la última milla son múltiples. Por un lado, las herramientas utilizadas para hacer ciencia incluyen funciones de visualización. Esto fomenta la noción de que es responsabilidad de la persona encargada de los datos ser el comunicador. El resultado por defecto de estas herramientas no puede compararse con un dataviz bien concebido y completamente diseñado; su visualización a menudo no está tan bien desarrollada como su manipulación de datos, y las personas que utilizan las herramientas a menudo no quieren encargarse de la comunicación. Muchos científicos de datos me han dicho que desconfían de la visualización porque puede atontar su trabajo e incitar a los ejecutivos a sacar conclusiones que desmienten los matices y la incertidumbre inherentes a cualquier análisis científico. Pero en la carrera por hacerse con los científicos de datos más demandados, las organizaciones han estado contratando a las personas más orientadas técnicamente que han podido encontrar, ignorando su capacidad o deseo (o falta de él) de comunicarse con un público lego. Eso estaría bien si esas organizaciones también contrataran a otras personas para cerrar la brecha... pero no lo hacen. Siguen esperando que los científicos de datos manejen los datos, los analicen en el contexto del conocimiento de la empresa y su estrategia, elaboren gráficos y los presenten a un público lego. Eso no es razonable. Eso es cosa de unicornios. Para empezar a resolver el problema de la última milla, las empresas deben dejar de buscar unicornios y replantearse qué tipo de talento conforma una operación de ciencia de datos. Este artículo propone una forma para que aquellas que no están sacando el máximo partido a sus operaciones liberen a los científicos de datos de expectativas poco razonables e introduzcan nuevos tipos de trabajadores en la mezcla. Se basa en equipos interdisciplinares compuestos por miembros con talentos diversos que trabajan en estrecha proximidad. La empatía, desarrollada a través de la exposición al trabajo de los demás, facilita la colaboración entre los tipos de talento. El trabajo ya no se pasa entre grupos, sino que se comparte entre ellos. Un enfoque de equipo -difícilmente nuevo, pero recién aplicado- puede conseguir que las operaciones de la ciencia de datos superen la última milla, entregando el valor que han creado para la organización. ¿Por qué las cosas son así? A principios del siglo XX, los pioneros de la gestión moderna dirigían sofisticadas operaciones para convertir los datos en decisiones a través de la comunicación visual, y lo hacían con equipos. Era un esfuerzo interdisciplinar que incluía a operadores de perforadoras, clasificadores de tarjetas, gerentes y dibujantes (casi siempre eran hombres). Los ejemplos de los resultados de esta colaboración son legión en el libro de Brinton. Las compañías ferroviarias y los grandes fabricantes fueron especialmente hábiles, aprendiendo las rutas más eficientes para enviar materiales a través de las fábricas, alcanzando objetivos de rendimiento de ventas regionales e incluso optimizando los calendarios de vacaciones. Cómo falla la comunicación He aprendido en mi trabajo que la mayoría de los líderes reconocen el valor que puede aportar la ciencia de datos, y pocos están satisfechos con cómo se está entregando. Algunos científicos de datos se quejan de que los jefes no entienden lo que hacen y los infrautilizan. Algunos jefes se quejan de que los científicos no pueden hacer su trabajo inteligible para un público lego. En general, las historias que escucho siguen uno de estos escenarios. Vea si reconoce alguno de ellos. La maldición del estadístico Un científico de datos con algoritmos de vanguardia y grandes datos desarrolla un conjunto de perspectivas y las presenta a los responsables de la toma de decisiones con todo lujo de detalles. Cree que su análisis es objetivo e inexpugnable. Sus gráficos son "click and viz" con algo de texto añadido a las diapositivas-en su opinión, el diseño no es algo a lo que los estadísticos serios dediquen tiempo. El lenguaje que utiliza en su presentación no resulta familiar a sus oyentes, que se sienten confusos y frustrados. Su análisis es acertado, pero su recomendación no se adopta. La fábrica y el capataz Un stakeholder empresarial quiere sacar adelante un proyecto favorito pero no tiene datos que respalden su hipótesis. Pide al equipo de ciencia de datos que elabore el análisis y los gráficos para su presentación. El equipo sabe que su hipótesis está mal formada y ofrece ideas útiles sobre una forma mejor de enfocar el análisis, pero él sólo quiere gráficos y notas para hablar. Una de dos cosas sucederá: Su reunión se verá truncada cuando alguien pregunte por el análisis de los datos y él no pueda dar respuestas, o su proyecto saldrá adelante y luego fracasará porque el análisis no era sólido. La verdad conveniente Un diseñador de información de primera categoría se inspira en algunos análisis de los científicos de datos de la empresa y se ofrece a ayudarles a crear una bonita presentación para la junta directiva, con colores y tipografía acordes con la marca e historias atractivas y de fácil acceso. Pero los científicos se ponen nerviosos cuando los ejecutivos empiezan a extraer ideas erróneas del análisis. Los gráficos claros y sencillos hacen que ciertas relaciones parezcan causa y efecto directos cuando no lo son, y eliminan cualquier incertidumbre inherente al análisis. Los científicos se encuentran en un dilema: finalmente, los responsables de la toma de decisiones están entusiasmados con su trabajo, pero lo que les entusiasma no es una buena representación del mismo. El enfoque de equipo persistió durante la mayor parte del siglo. En su libro de 1969 Practical Charting Techniques, Mary Eleanor Spear detalla el equipo ideal -un comunicador, un analista gráfico y un dibujante (todavía en su mayoría hombres)- y sus responsabilidades. "Es aconsejable", escribe Spear, "que [los tres] colaboren". En la década de 1970 las cosas empezaron a dividirse. Los científicos acudieron en masa a la nueva tecnología que les permitía visualizar los datos en el mismo espacio (un programa informático) en el que los manipulaban. Los visuales eran rudimentarios pero estaban disponibles rápidamente y no requerían la ayuda de nadie más. Se abrió una brecha en el mundo del dataviz entre la visualización impulsada por ordenador y la visualización más clásica impulsada por el diseño producida por los dibujantes (por fin). Este artículo también aparece en: Strategic Analytics: The Insights You Need de HBR Tecnología y Operaciones Libro 22.95 Añadir a la cesta Ahorre Compartir Chart Wizard, la innovación de Microsoft en Excel, introdujo "clic y viz" para el resto de nosotros, escindiendo por completo los dos mundos. De repente, cualquiera podía crear instantáneamente un gráfico junto con variaciones exageradas del mismo que hacían tridimensionales las barras o convertían una tarta en un donut. No se puede exagerar la profundidad de este cambio. Contribuyó a hacer de los gráficos una lingua franca para los negocios. Impulsó el uso de datos en las operaciones y, finalmente, permitió que existiera la ciencia de datos, porque superó el bajo límite de la cantidad de datos que los diseñadores humanos pueden procesar en una comunicación visual. Y lo que es más importante, cambió la estructura del trabajo. Los diseñadores -los artesanos- se devaluaron y acabaron por abandonar el análisis de datos. La visualización se convirtió en el trabajo de quienes gestionaban los datos, la mayoría de los cuales no estaban formados para visualizar ni inclinados a aprender. La rapidez y la comodidad de pegar un gráfico del Asistente para gráficos en una presentación prevalecieron sobre los elementos visuales más lentos, que consumen más recursos y que se basan en el diseño, incluso si estos últimos eran demostrablemente más eficaces. Con la llegada de la ciencia de datos, las expectativas puestas en los científicos de datos han seguido siendo las mismas -hacer el trabajo y comunicarlo- incluso cuando las habilidades requeridas se han ampliado para incluir la codificación, la estadística y el modelado algorítmico. De hecho, en el histórico artículo de HBR de 2012 sobre el científico de datos como el trabajo más sexy del siglo XXI, el papel se describe en términos explícitamente unicornios: "¿Qué habilidades hacen que un científico de datos tenga éxito? Piense en él o ella como un híbrido de hacker de datos, analista, comunicador y asesor de confianza. La combinación es extremadamente poderosa... y rara". Talentos fundamentales para comunicar datos He aquí las formas en que intervienen los distintos talentos a medida que un proyecto de ciencia de datos avanza desde la recopilación de datos hasta el desarrollo de la perspectiva y la presentación a los stakeholder. Talento: Gestión de proyectos Tareas Gestionar la creación del equipo, el calendario y los horarios Reunir recursos Solucionar problemas Habilidades Organización Metodología (como scrum) Gestión de personal Dirige Durante la creación de una operación de ciencia de datos Durante la creación y ejecución de un proyecto Apoya Operaciones de ciencia de datos en curso Talento: Gestión de datos Tareas Encontrar, limpiar y estructurar datos Desarrollar e implementar sistemas de datos y visualización, algoritmos y modelos Desarrollar plantillas y sistemas para procesos repetibles Habilidades Codificación Estadística Arquitectura de sistemas Dirige Al principio de la existencia de un equipo de datos Al principio del desarrollo de un proyecto Apoya Durante el análisis rutinario de los datos, la comprobación de hipótesis y la exploración visual de los datos Talento: Análisis de datos Tareas Desarrollar y probar hipótesis sobre datos y modelos de datos Encontrar patrones y tendencias útiles para fundamentar las decisiones empresariales Habilidades Estadística Método científico Pensamiento crítico Comunicación técnica y no técnica Dirige Durante el análisis rutinario de datos, el diseño de proyectos, la comprobación de hipótesis y la exploración visual de datos Apoya Al principio de la existencia de un equipo de datos Al principio del desarrollo del proyecto Durante el desarrollo de la comunicación visual y las presentaciones al público no especializado Talento: Experiencia en la materia Tareas Definir los objetivos empresariales Desarrollar y probar hipótesis Desarrollar la comunicación no técnica Competencias Conocimientos funcionales Pensamiento crítico Desarrollo de estrategias Comunicación no técnica Dirige Durante el diseño del proyecto, la comprobación de hipótesis y la exploración visual de los datos Durante la comunicación a audiencias no técnicas Apoya Al principio de la existencia de un equipo de datos Durante el proceso de visualización y diseño Talento: Diseño Tareas Desarrollar la comunicación visual y las presentaciones Crear plantillas y estilos para una visualización repetible Habilidades Diseño de información Diseño de presentaciones Pensamiento de diseño Comunicación persuasiva Dirige Durante la visualización de datos y la creación de presentaciones y sistemas visuales (plantillas) Apoya Durante la iteración visual y la creación de prototipos Talento: Narración de historias Tareas Desarrollar historias a partir de datos y elementos visuales Ayudar a construir presentaciones en formato de historia Presentar a audiencias no técnicas Habilidades Diseño de información Redacción y edición Presentar Comunicación persuasiva Dirige Durante la creación de visualizaciones de datos y presentaciones Durante la presentación a audiencias no técnicas Apoya Durante la iteración visual y la creación de prototipos Una combinación poco frecuente de habilidades para los puestos de trabajo más solicitados significa que muchas organizaciones no podrán contratar a los talentos que necesitan. Tendrán que buscar otra forma de tener éxito. La mejor manera es cambiar el conjunto de habilidades que esperan que tengan los científicos de datos y reconstruir equipos con una combinación de talentos. Construir una mejor operación de ciencia de datos Una operación de datos eficaz basada en el trabajo en equipo puede tomar prestado de Brinton y Spear, pero tendrá en cuenta el contexto moderno, incluido el volumen de datos que se procesan, la automatización de los sistemas y los avances en las técnicas de visualización. También tendrá en cuenta una amplia gama de tipos de proyectos, desde la elaboración de informes razonablemente sencillos sobre datos analíticos estándar (por ejemplo, los resultados financieros) hasta los esfuerzos de big data más sofisticados que utilizan algoritmos de aprendizaje automático de vanguardia. He aquí cuatro pasos para crear uno: 1. Defina los talentos, no los miembros del equipo. Puede parecer natural que el primer paso para desmantelar el pensamiento unicornio sea asignar a varias personas los papeles que ahora desempeña el científico de datos "perfecto": manipulador de datos, analista de datos, diseñador y comunicador. No es así. En lugar de asignar personas a roles, defina los talentos que necesita para tener éxito. Un talento no es una persona; es una habilidad que poseen una o varias personas. Una persona puede tener varios talentos; tres personas pueden manejar cinco talentos. Es una distinción sutil pero importante para mantener a los equipos lo suficientemente ágiles como para configurarse y reconfigurarse durante las distintas fases de un proyecto. (Volveremos sobre esto.) La lista de talentos de cualquier empresa variará, pero un buen conjunto básico incluye estos seis: Gestión de proyectos. Dado que su equipo va a ser ágil y cambiará según el tipo de proyecto y lo avanzado que esté, un buen gestor de proyectos que emplee alguna metodología tipo scrum se encargará de todas las facetas de la operación. Un buen gestor de proyectos tendrá una gran capacidad de organización y fuertes dotes diplomáticas, que le ayudarán a salvar las diferencias culturales reuniendo a talentos dispares en las reuniones y consiguiendo que todos los miembros del equipo hablen el mismo idioma. Manejo de datos. Las habilidades que componen este talento incluyen la construcción de sistemas; la búsqueda, limpieza y estructuración de datos; y la creación y mantenimiento de algoritmos y otros motores estadísticos. Las personas con talento para el wrangling buscarán oportunidades para racionalizar las operaciones; por ejemplo, creando procesos repetibles para múltiples proyectos y plantillas para obtener resultados visuales sólidos y predecibles que pongan en marcha el proceso de diseño de la información. Análisis de datos. La capacidad de establecer hipótesis y probarlas, encontrar significado en los datos y aplicarlo a un contexto empresarial específico es crucial y, sorprendentemente, no está tan bien representada en muchas operaciones de ciencia de datos como cabría pensar. Algunas organizaciones tienen un gran número de "wranglers" y confían en ellos para hacer también el análisis. Pero un buen análisis de datos es independiente de la codificación y las matemáticas. A menudo, este talento no surge de la informática, sino de las artes liberales. La empresa de software Tableau clasificó la infusión de las artes liberales en el análisis de datos como una de las mayores tendencias en analítica en 2018. El pensamiento crítico, la contextualización y otros aspectos del aprendizaje en humanidades también resultan ser habilidades fundamentales para el análisis, de datos o no. En una conferencia en línea sobre el tema, el científico investigador de Tableau Michael Correll explicó por qué cree que es crucial infundir la ciencia de los datos con las artes liberales. "Es imposible considerar los datos divorciados de las personas", afirma. "Las artes liberales son buenas para ayudarnos a intervenir y ver el contexto. Hace visibles a las personas de un modo en que quizá no lo son en la tecnología". Experiencia en la materia. Es hora de jubilar el tropo de que los equipos de ciencia de datos se quedan en el sótano para hacer su trabajo arcano y salen a la superficie sólo cuando el negocio necesita algo de ellos. La ciencia de los datos no debe considerarse como una unidad de servicios; debe contar con talento directivo en el equipo. Las personas con conocimientos del negocio y de la estrategia informarán el diseño del proyecto y el análisis de datos y mantendrán al equipo centrado en los resultados del negocio, no sólo en construir los mejores modelos estadísticos. Joaquín Candela, que dirige el aprendizaje automático aplicado en Facebook, ha trabajado duro para centrar a su equipo en los resultados empresariales y recompensar las decisiones que favorecen esos resultados por encima de la mejora de la ciencia de datos. Diseño. Este talento es ampliamente incomprendido. Un buen diseño no es sólo elegir colores y tipos de letra o idear una estética para los gráficos. Eso forma parte del diseño, pero no es ni mucho menos la parte más importante. Más bien, las personas con talento para el diseño desarrollan y ejecutan sistemas para una comunicación visual eficaz. En nuestro contexto, entienden cómo crear y editar elementos visuales para centrar a un público y destilar ideas. El talento para el diseño de información -que hace hincapié en la comprensión y manipulación de la visualización de datos- es ideal para un equipo de ciencia de datos. Narración. La narrativa es un artificio humano extremadamente poderoso y uno de los más infrautilizados en la ciencia de datos. La capacidad de presentar las perspectivas de los datos como una historia ayudará, más que ninguna otra cosa, a cerrar la brecha de comunicación entre los algoritmos y los ejecutivos. "Contar historias con datos", una manida frase de moda, está muy mal entendida, sin embargo. Decididamente, no se trata de convertir a los presentadores en Stephen Kings o Tom Clancys. Se trata más bien de comprender la estructura y la mecánica de la narrativa y aplicarlas a la visualización de datos y a las presentaciones. 2. Contrate para crear una cartera de talentos necesarios. Una vez que haya identificado los talentos que necesita, libere su contratación de la idea de que se trata de funciones para las que debe contratar a personas. En su lugar, céntrese en asegurarse de que estos talentos están disponibles en el equipo. Algunos de ellos tienden naturalmente a ir juntos: El diseño y la narración, por ejemplo, o el manejo y el análisis de datos, pueden existir en una misma persona. A veces el talento no se encontrará en los empleados, sino en los contratistas. Para mi trabajo, mantengo un armario de cocina de personas que tienen talento en áreas en las que yo soy débil. Puede que quiera contratar a una empresa de diseño de información, o contratar a algunos manipuladores de datos para que limpien y estructuren los nuevos flujos de datos. Pensar en los talentos como algo separado de las personas ayudará a las empresas a abordar el problema de la última milla, porque las liberará de intentar encontrar a la persona que pueda tanto hacer ciencia de datos como comunicarla. Agarrar a algunas personas que tengan habilidades de diseño superiores liberará a los científicos de datos para que se centren en sus puntos fuertes. También abrirá la puerta a personas que antes podrían haber sido ignoradas. Un codificador medio que también tenga buenas habilidades de diseño, por ejemplo, podría ser muy útil. Randal Olson, el principal científico de datos de Life Epigenetics y comisario del canal de Reddit Data Is Beautiful (dedicado a compartir y debatir buenos dataviz), solía centrarse únicamente en lo bien que alguien hacía la parte técnica de la ciencia de datos. "Lo sé, cuando empecé, no apreciaba en absoluto la parte de la comunicación", dice. "Creo que eso es habitual". Ahora, en algunos casos, ha cambiado el proceso de contratación. "Llegan e inmediatamente empezamos a hacer pizarras de modelos y matemáticas", dice. "Son científicos de datos hablando con científicos de datos. Ahora a veces traigo a una persona no técnica y le digo al candidato: 'Explícale este modelo a esta persona'". 3. Exponga a los miembros del equipo a talentos que no tienen. Superar los choques culturales empieza por comprender las experiencias de los demás. El talento para el diseño no suele estar expuesto a estadísticas o algoritmos. Su atención se centra en el refinamiento estético, la simplicidad, la claridad y la narrativa. La profundidad y complejidad del trabajo con datos es difícil de conciliar para los diseñadores. Los científicos de datos duros, por el contrario, valoran la objetividad, el rigor estadístico y la exhaustividad; la parte de la comunicación no sólo les es ajena, sino que les distrae. "Va en contra de su ética", dice un director de una operación de ciencia de datos en una gran empresa tecnológica. "Yo era igual, trabajé en ciencia de datos durante 10 años, pero me abrió los ojos cuando tuve que formar un equipo. Vi que si aprendiéramos un poco más sobre la parte de la comunicación, podríamos defender mucho más para el negocio." Construir un cuadro de mando del talento Realizar una auditoría de talentos ayuda a los directivos a planificar mejor los proyectos y a configurar los equipos. Póngalo en práctica Sabiendo qué talentos están disponibles, los directivos pueden ahora asignar unidades de talento a un proyecto en función del momento en que se necesiten. Normalmente, un grupo de talentos asumirá el liderazgo al principio de un proyecto, y otros grupos diferentes lo harán en las fases posteriores. La gestión del proyecto suele desempeñar un papel importante en todo momento. Hay muchas maneras de exponer a los miembros del equipo al valor de los talentos de los demás. Los diseñadores deberían aprender algo de estadística básica -tomar un curso introductorio, por ejemplo- mientras que los científicos de datos aprenden principios básicos de diseño. Ninguno de los dos debe convertirse en experto en el campo de su homólogo, sólo necesitan aprender lo suficiente para apreciarse mutuamente. Los stand-ups y otras reuniones deben incluir siempre una mezcla de talentos. Un scrum stand-up orientado principalmente a la puesta al día sobre los avances tecnológicos puede incluir también a un experto en marketing que haga presentaciones, como ocurre en la empresa de Olson. Los expertos en la materia deben aportar su talento para el análisis y el manejo de datos a las reuniones de estrategia. Las sesiones especiales en las que los stakeholders responden a las preguntas del equipo de datos y viceversa también ayudan a salvar la distancia. El jefe de algoritmos de Stitch Fix, Eric Colson (que es algo parecido a un unicornio, ya que tiene tanto talento estadístico como de comunicación en una empresa en la que la ciencia de los datos es intrínseca), pide a los miembros de su equipo que hagan presentaciones de un minuto a audiencias no técnicas, obligándoles a enmarcar los problemas en formas inteligentes que todo el mundo pueda entender. "A día de hoy", dice Colson, "si aquí dices 'cocos', la gente sabrá que eso era parte de una metáfora que una persona utilizó para describir un problema estadístico concreto que estaba abordando. Nos centramos en enmarcarlo de forma que todo el mundo lo entienda porque la empresa no hará lo que no entiende." Otro director de un equipo de ciencia de datos creó un glosario de términos utilizados por el talento técnico y el talento de diseño para ayudar a los empleados a familiarizarse con el lenguaje de unos y otros. Si en su organización hay algunas de esas raras personas que, como Colson, tienen a la vez talento para los datos y talento para la comunicación y el diseño, ayuda que sean mentores unos de otros. Hay que animar a las personas que expresan interés en desarrollar talentos que no tienen pero que usted necesita, incluso si esos talentos (habilidades de diseño, digamos) están muy lejos de los que ya tienen (manejo de datos). De hecho, en mis talleres escucho a científicos de datos a los que les encantaría desarrollar su talento para el diseño o la narración, pero no tienen tiempo para dedicarse a ello. A otros les encantaría que ese talento se incorporara a sus equipos, pero su gestión de proyectos se centra principalmente en los resultados técnicos, no en los empresariales. Toda esta exposición pretende crear empatía entre los miembros del equipo con talentos diferentes. A su vez, la empatía crea confianza, una base necesaria para un trabajo en equipo eficaz. Colson recuerda una ocasión en la que utilizó su talento para contar historias para ayudar a explicar algo que surgía del análisis de datos: "Recuerdo que hice una presentación sobre un problema de merchandising, en la que pensé que lo estábamos enfocando de forma equivocada. Tuve que conseguir que merchandising se lo creyera". En lugar de explicar la distribución beta-binomial y otros conceptos estadísticos para reforzar su punto de vista, contó una historia sobre alguien que sacaba bolas de una urna y lo que ocurría con el tiempo con el número y el tipo de bolas de la urna. "A la gente le encantó", dice. "Observabas la sala y cómo encajaba con ellos y les daba confianza, de modo que en ese momento ni siquiera era necesario explicarles las matemáticas que había detrás. Confiaban en nosotros". 4. Estructure los proyectos en torno a los talentos. Una vez establecida una cartera de talentos, es hora de utilizarla para lograr sus objetivos. La naturaleza cambiante de qué talentos se necesitan y cuándo puede hacer que los proyectos sean difíciles de manejar. Unas sólidas habilidades de gestión de proyectos y la experiencia en metodologías ágiles le ayudarán a planificar la configuración y reconfiguración de los talentos, a reunir los recursos necesarios y a evitar que los calendarios abrumen cualquier parte del proceso. Ponerlo todo junto Querrá dar otros pasos para que sus proyectos tengan éxito: Asigne un único stakeholder capacitado. Es posible, o incluso probable, que no todas las personas cuyos talentos necesita dependan del director del equipo de ciencia de datos. El talento en diseño puede depender de marketing; los expertos en la materia pueden ser ejecutivos que dependan del CEO. No obstante, es importante dar al equipo tanto poder de decisión como sea posible. Las partes interesadas serán en la mayoría de los casos personas con experiencia empresarial que están estrechamente relacionadas con los objetivos empresariales o son responsables de ellos; el objetivo del trabajo, al fin y al cabo, es mejorar los resultados empresariales. Esas personas pueden crear objetivos compartidos e incentivos para el equipo. Lo ideal es evitar la trampa de la responsabilidad sin autoridad, en la que el equipo trata con varios stakeholder que pueden no estar todos alineados. A los científicos de datos comunicar su trabajo no sólo les resulta extraño, sino que les distrae. Asigne talento líder y talento de apoyo. Quién lidera y quién apoya dependerá del tipo de proyecto que sea y de la fase en que se encuentre. Por ejemplo, en un proyecto profundamente exploratorio, en el que se están procesando y visualizando grandes volúmenes de datos sólo para encontrar patrones, la gestión y el análisis de datos llevan la voz cantante, con el apoyo de expertos en la materia; el talento de diseño puede no participar en absoluto, ya que no se requiere comunicación externa. Por el contrario, para preparar un informe para la junta sobre las pruebas para un ajuste de estrategia recomendado, la narración y el diseño llevan la voz cantante con el apoyo del talento en datos. Colocar. Haga que todos los miembros del equipo trabajen en el mismo espacio físico durante un proyecto. Establezca también un espacio virtual compartido para la comunicación y la colaboración. No sería deseable que los que tienen talento para el diseño y la narración utilizaran un canal de Slack mientras que el equipo técnico utiliza GitHub y los expertos en negocios colaboran por correo electrónico. Utilice técnicas de "análisis por parejas", en las que los miembros del equipo se sientan literalmente uno al lado del otro y trabajan en una pantalla en un proceso iterativo similar al scrum. Puede tratarse de personas con talento para el análisis y el manejo de datos que perfeccionan modelos de datos y prueban hipótesis, o de un par con experiencia en la materia y capacidad para contar historias que trabajan juntos para pulir una presentación, recurriendo al diseño cuando tienen que adaptar un gráfico. Que sea un verdadero equipo. La idea crucial de la colocación es que se trata de un solo equipo capacitado. En Stitch Fix "nuestra regla es que no hay traspasos", dice Colson. "No queremos tener que coordinar a tres personas entre departamentos". Para ello, ha convertido en una prioridad asegurarse de que sus equipos tienen todas las habilidades que necesitan para lograr sus objetivos con un apoyo externo limitado. También intenta contratar a personas que muchos considerarían generalistas y que superan la brecha tecnología-comunicación. Aumenta este modelo con una retroalimentación regular para, por ejemplo, una persona de datos que necesita ayuda con la narración, o un experto en la materia que necesita entender algún principio estadístico. Reutilización y modelo. Colson también creó un "equipo de IU de algo". Piense en esto como un grupo de personas que combinan su talento para el diseño y su talento para el manejo de datos con el fin de crear conjuntos de códigos reutilizables para producir un buen dataviz para los equipos de proyecto. Estas plantillas tienen un valor incalculable para conseguir que un equipo funcione con eficacia. Las conversaciones que un diseñador de información, por ejemplo, mantendría con un analista de datos sobre las mejores prácticas de visualización pasan a estar codificadas en las herramientas. Graham MacDonald, el científico jefe de datos del Instituto Urbano, ha fomentado con éxito este tipo de cooperación en materia de plantillas. Su grupo produce datos por condado para muchos condados de EE UU. Al reunir a expertos en datos y en la materia para comprender las necesidades de comunicación, el grupo construyó una plantilla reutilizable que podía personalizar el resultado para cualquier condado concreto. Un resultado así habría sido difícil sin la integración de esos talentos en el equipo. CONCLUSIÓN La presentación de la ciencia de datos al público lego -la última milla- no ha evolucionado tan rápida ni tan plenamente como la parte técnica de la ciencia. Debe ponerse al día, y eso significa replantearse cómo se forman los equipos de ciencia de datos, cómo se gestionan y quién participa en cada punto del proceso, desde el primer flujo de datos hasta el gráfico final que se muestra a la junta directiva. Hasta que las empresas puedan recorrer con éxito esa última milla, los equipos de ciencia de datos no rendirán lo suficiente. Proporcionarán, en palabras de Willard Brinton, cimientos sin catedrales.

La ciencia de los datos y el arte de la persuasión

Resumen.

Partner Center