Ivelin Radkov - Fotolia

Evaluar Conozca los pros y contras de las tecnologías, productos y proyectos que está considerando.

El equipo de analítica no siempre debe buscar los triunfos rápidos

Los equipos de analítica generalmente buscan triunfos rápidos para demostrar su valor. Pero los expertos dicen que este enfoque no debe convertirse en la estrategia guía para el desarrollo de productos de datos.

Un consejo común dice que un equipo de analítica –especialmente uno nuevo, que está ansioso por demostrar su valor– debe aspirar a triunfos rápidos. Al entregar un producto o un informe de datos rápidamente, el equipo puede conseguir que los ejecutivos y los socios de negocios se suban a bordo y sentar las bases del apoyo futuro, incluso si el primer resultado no es exactamente innovador.

Pero no todo el mundo está de acuerdo con este consejo.

"Las victorias rápidas no son siempre triunfos a largo plazo", dijo Ahmad Anvari, jefe del negocio de Messenger y la plataforma de analítica de Facebook, en una presentación en la reciente Cumbre de Innovación de Big Data en Boston. "He visto esto muchas veces en mi carrera".

Piense antes de informar

Para Anvari, centrarse demasiado en proyectos a corto plazo puede distraer de la estrategia a largo plazo, y causar que los equipos pierdan grandes oportunidades. Es algo parecido a un inversor que comercia en bolsa cada día para maximizar los rendimientos diarios sin pensar en planificar su jubilación.

Por ejemplo, Anvari dijo que cuando Instagram, que es propiedad de Facebook, lanzó inicialmente publicidad dentro de la aplicación hace un par de años, hubo mucho entusiasmo por los primeros datos que salieran. En comparación con otras características de la aplicación, los usuarios estaban haciendo clic en anuncios a tasas elevadas. Sin embargo, los anunciantes no estaban contentos porque los usuarios normalmente dejaban la página inmediatamente después de hacer clic en un anuncio.

Eventualmente, alguien se dio cuenta de que el número de usuarios que hacían clic en los anuncios se veía bien porque en el flujo principal de fotos que ven los usuarios, los anuncios son el único tipo de contenido en el cual se puede hacer clic. En el contenido nativo no se puede. Por lo tanto, muchas personas que hacían clic en los anuncios lo hacían de forma accidental. La aplicación ahora tiene una función que pide a los usuarios confirmar que hacen clic en un anuncio de forma intencional antes de enviarlos a la página del anunciante, y los datos son mucho más significativos.

Mínimamente viable puede ser mínimamente valioso

El producto mínimamente viable es otra manera en que los equipos de analítica buscan triunfos rápidos, pero puede dar lugar a su propia cuota de problemas. Dhruv Bhargava, jefe global de ciencia de datos en la empresa de juegos Zynga Inc., dijo en una presentación en la conferencia que, si bien es importante animar a los científicos de datos y gerentes de producto a poner con frecuencia aplicaciones que puedan utilizarse frente a los usuarios, y apoyar la creatividad de los desarrolladores, solo lograr que algo salga por la puerta no debería ser un fin en sí mismo.

La estrategia de producto mínimamente viable es a menudo vista como algo bueno, ya que obliga a los desarrolladores y analistas a pensar en cómo los usuarios interactuarán con un informe o aplicación. También les permite seguir perfeccionando el producto basado con base en la retroalimentación de los usuarios.

Puede ser problemático, sin embargo, cuando los desarrolladores nunca actualizan el producto después de lanzarlo, lo que Bhargava dijo que ha visto pasar. Los equipos de gestión de producto se apresuran para lanzar algo básico con la intención de volver a ello para refinarlo. Pero entonces no lo hacen, lo que significa que los usuarios no tienen nada más que aplicaciones de datos menos que óptimas.

"Si usted dice que tenemos que volver a algo y mejorarlo, hágalo", dijo.

No entrene para el juego equivocado

Usar los datos erróneos para construir productos de datos también puede llevar a los proyectos de desarrollo por mal camino. Steve Carter, jefe científico para el sitio de citas en línea eHarmony Inc, dijo que los científicos de datos y los miembros del equipo de análisis suelen usar todos los datos que puedan tener en sus manos en las primeras etapas de los proyectos. Por lo general, esto será algún tipo de datos históricos. Pero Carter dijo que si ellos están construyendo un producto que se utilizará en producción –en el caso de eHarmony, el producto principal es un motor predictivo que hace coincidir a los usuarios, con base en las características del perfil– el producto debe estar entrenado en los mismos datos que se usarán una vez que esté en producción.

Puede ser un reto para los científicos de datos poner sus manos en los datos de producción. Esto podría tener que ver con las restricciones de gobernanza o de ingeniería, y es particularmente problemático para un científico de datos en busca de triunfos rápidos.

Pero Carter dijo que un modelo entrenado en datos históricos a menudo fallará al ponerse en producción y será utilizado en contra de los datos actuales. Esta es la razón por la cual los científicos de datos siempre deben trabajar en conjunto con los ingenieros de datos para asegurarse de que lo que están construyendo se sostendrá. Puede tomar más tiempo, pero el resultado final será mejor.

"Cuando empiece a visualizar un proceso de modelar un producto de datos, empiece con los ingenieros", dijo Carter.

Próximos pasos

Más sobre analítica:

Equipos de analítica del sector público luchan por implementar innovación

Capacidades del director de analítica o CAO lo convierten en un líder para la innovación

Empresas aprecian las herramientas de analítica tradicionales

Este artículo se actualizó por última vez en octubre 2016

Profundice más

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close