Blog

Es bien sabida la relevancia y el poder que los datos generan en la toma de decisiones, en la eficiencia, agilidad y productividad de los procesos, en la personalización y mejora de productos y servicios o en el conocimiento de turistas y clientes en general.

No obstante, la problemática viene a la hora de aterrizar y concretar casos de uso, así como el conocimiento y las ventajas que este tipo de técnicas generan y que son, en muchos casos, desconocidas y complejas en su visualización.

Si nos paramos a pensar en las problemáticas generadas en el camino, el principal factor (al margen de la captación de talento de la cual hablaremos en futuras publicaciones), es la falta de un claro enfoque estratégico. Según la consultora Mckinsey, alrededor del 70% de las organizaciones no cuenta con una estrategia de datos definida (shorturl.at/aqUWX). Este porcentaje se acentúa en el sector turístico. El punto optimista es que, pese a que el sector turístico queda atrás, la transversalidad de estas tecnologías favorece su aplicabilidad aplicando conocimiento adquirido en otros campos al turístico de forma ágil.

Por ello, para conseguir introducir este tipo de tecnologías en el sector, es fundamental el enfoque estratégico. Desde deepsense hemos generado una hoja de ruta aplicable a cualquier organización turística:

1.Ejecutar proyectos piloto.

Estos primeros proyectos deben tener como objetivo una implementación exitosa, más allá de ser proyectos extremadamente valiosos para negocio (pero sin olvidar el enfoque estratégico). Suelen hacerse con empresas externas, siempre en contacto directo con los equipos de negocio y tecnología de la empresa y de una duración breve (hablamos desde pocas semanas a uno o dos meses como máximo). Este enfoque permite familiarizarse dentro de la empresa con este tipo de técnicas, así como conocer los puntos de bloqueos y los denominados stoppers (personas más reacias al cambio).

2.Construir equipos y asignar responsables.

Una vez se han detectado roles y se ha constatado el valor de dichos proyectos piloto es momento de construir equipos. El punto óptimo sería poder generar equipos internos, pues permite mantener el conocimiento dentro de la empresa (al igual que existen equipos de marketing, financiero…). No obstante, para muchas empresas es extremadamente complejo y económicamente poco accesible, por lo que la mejor opción en esos casos es contar con una persona que haga de puente entre el negocio y equipos técnicos externos, teniendo capacidad para comunicar y aterrizar las necesidades concretas de los objetivos de negocio a su materialización técnica.

3.Desarrollar el conocimiento en la organización.

Pocas empresas, a día de hoy, cuentan con el conocimiento en analítica de datos. Por ello, es fundamental formar a los distintos miembros a distintos niveles: desde los equipos técnicos que profundizarán en contenidos más avanzados (programación, machine learning, Deep learning…), hasta perfiles de negocio, cuyos conocimientos deben ir centrados en el entendimiento de distintos conceptos.

Para comenzar, existen distintas posibilidades sin necesidad de grandes inversiones. Plataformas como Udemy, Coursera, entre otras, ofrecen formaciones actualizadas y punteras tanto a perfiles de negocio como a perfiles técnicos. Además, existen herramientas como Orange, Knime o RapidMiner que reducen la curva de aprendizaje en este tipo de técnicas.

4.Profundizar en la estrategia.

Una vez los equipos comienzan a ver el éxito inicial de los primeros casos de uso, serán capaces de detectar necesidades y problemáticas que la IA (y la analítica de datos) son capaces de resolver, generando un círculo virtuoso que aportará cada vez mayor valor a la organización. Llegados a este punto para generar esa estrategia exitosa, deben seguirse los siguientes pasos:

1. Construir activos de IA alineados con la estrategia de negocio, aprovechando ventajas competitivas de cada organización y difícilmente replicables por la competencia (ahí es donde cobrarán valor los datos almacenados).
2. Diseñar estrategias alineadas con el círculo virtuoso del dato. Esto es, soluciones, servicios o productos que generen datos, que a su vez alimentarán estas soluciones, servicios o productos, creando mejores predicciones y ayudando a construir barreras de entrada complejas de alcanzar por cualquier competidor directo.
3. Adquirir datos y unificar el almacenamiento de datos. Es importante generar modelos de datos (que no necesariamente aporten un valor directo al negocio de forma inminente), pero que incrementarán la velocidad en la ejecución de casos de uso.
4. Reconocer qué datos tienen valor dentro de la organización. Implementar sistemas que permitan analizar, de forma constante, la calidad de nuestra información

5. Desarrollar las comunicaciones internas.

Una vez generada esta cultura y estrategia, es fundamental involucrar y educar a los clientes y a los usuarios para obtener el feedback que ayude a mejorar los productos y servicios que proponemos, así como atraer talento a través de casos de uso motivantes y retadores (se hablará de ellos en futuras publicaciones).