Hoy, la generación de nuevos productos y servicios basados en datos es vital para las startups.
El análisis del comportamiento de los mercados, de la competencia y de los propios leads o clientes es básicamente el músculo que le permite a las empresas adelantarse en la carrera y estar entre los primeros.
Entonces, contar con todos los datos que cada sector genera y hacer transversal la información es oxígeno para las startups.
Sin embargo, y aunque suena coherente, no es la forma natural en la que se estructuran las empresas.
¿Estás viendo potencial en tu startup para crecer desarrollando data-products?
¿Notás que se vuelve cada vez más difícil agilizar el lanzamiento de productos nuevos o servicios? ¿No sabés cómo enfrentar este problema? ¿No disponés de los recursos internos o el tiempo?
En esta nota te contamos cómo enfrentar este desafío.
Cómo se incorpora el data science a una empresa
Los modelos de data science permiten relevar datos masivos para poder generar productos nuevos personalizados de acuerdo a la experiencia y necesidad de los usuarios.
Estos modelos requieren contar con la mayor cantidad de información posible. De este modo, el modelo aprende a distinguir patrones entre los distintos casos que se dan en los datos.
Si contamos con muchos datos de venta de nuestros productos en nuestro set, podremos describir cómo se comportan los compradores y saber qué recomendarles.
Contar con información adicional que permita enriquecer el entendimiento de los datos desde otros puntos de vista es clave para generar modelos de personalización más eficientes, por ejemplo.
Si además podemos relevar cuáles son los sitios que los usuarios o clientes siguen en las redes sociales, entonces generamos estrategias de recomendaciones cada vez más personalizadas.
En esta nota explicamos que es posible generar modelos mínimos viables listos para transformarlos en productos con pocas iteraciones de trabajo: MVM: Minimum Viable Model: ¿Cómo sacar ventaja de la ciencia de datos en tu startup?.
Es decir, podemos desarrollar modelos aptos y funcionales en poco tiempo.
Pero para eso se requieren:
- Datos con alta tasa de disponibilidad
- Arquitecturas escalables
- Posibilidad de cruzar datos fácilmente
Este último punto es fundamental, pues requiere de un nuevo proceso de maduración de la empresa.
Uno en el que el foco esté puesto en la fluidez de la comunicación entre los diferentes sectores.
Esto es lo que conocemos como Cross Company.
Silos vs cross company
Es natural que el crecimiento de cualquier startup genere sectores internos que se vayan especializando sobre el área que actúan, dando origen a lo que serán los futuros departamentos de la empresa.
Cada una de estas áreas comienza a generar sus propias colecciones de datos, a tener requerimientos de presupuesto y sus propios sistemas internos.
A esto se lo conoce como silos y refiere a un proceso de maduración que toda empresa quiere comenzar a desarrollar.
Sin embargo, la expansión de la startup plantea nuevos desafíos a enfrentar en un futuro no muy lejano.
Entonces, ¿tengo que evitar el silo en mi startup?
No necesariamente, Pues como habíamos dicho, es relativo a los objetivos de tu startup. Que los departamentos se vayan especializando y vayan adoptando distintas prácticas para realizar sus tareas diarias es algo completamente natural.
Pero entonces, ¿tengo que cambiar toda mi organización para poder adoptar ciencia de datos a mi startup?
De nuevo, no necesariamente. Pues se pueden desarrollar modelos de ciencias de datos generados por un sólo sector de la startup, sin hacerlos cross company.
Obviamente, contar con datos generados de distintos sectores enriquece mucho más el producto que queremos desarrollar. Así también como tener una organización con datos transversales puede agilizar el proceso de probar o cambiar hipótesis, pues nos evita tener que depender del trabajo manual de una persona o sector para cruzar los datos de cada área.
Este último punto resulta una práctica propia de las empresas que adoptan una estructura del tipo silo.
Un caso común donde esto puede volverse un dolor es, por ejemplo, cuando un inversor quiere obtener información sobre las métricas KPI de la startup. Para elaborar el reporte es necesario consultar un montón de bases de datos distintas (marketing, install, check-out, etc). Esto puede escalar a un punto inviable.
Otro caso que explica por qué la estructura de silos puede resultar un desafío adicional para usar modelos de ciencias de datos es el de buscar medir el LTV (lifetime value). Esta es una medida de largo plazo que considera cuál es la relación de un cliente con nuestra marca o producto, relacionado con la tasa de deserción de los usuarios (Churn).
Hoy existen modelos de ciencia de datos que buscan predecir la tasa de Churn de los usuarios. Esto requiere como input información relacionada a la actividad de la empresa o fuera de ella (redes sociales, por ejemplo). Estos datos suelen estar desparramados en diferentes sectores de la empresa (marketing, checkout, operaciones, producto, etc) y relevarlos lleva mucho tiempo y recursos.
En esta figura se puede apreciar cómo se comporta el ciclo de vida de un usuario.
Veamos que el ciclo comienza mucho antes de la satisfacción al cliente, pues es el área de marketing la que tiene el primer acercamiento con los leads, mucho antes de que interactúen con los productos.
Esto nos indica que acceder a los analytics que generan los distintos sectores nos puede ayudar a crear mejores productos, o entender en qué sector hay que reforzar las políticas de adquisición de usuarios. En dónde tenemos éxito y en dónde no.
E iterar constantemente con mayor tasa de cierre.
Incorporar data science desde los inicios o en una empresa tradicional
Incorporar ciencia de datos en tu startup requiere de adoptar un nuevo proceso de maduración que incluye informatizar las distintas áreas.
Una de las maneras para llevarlo a cabo es mediante la incorporación de arquitectura basada en microservicios.
Esta arquitectura permite desacoplar los componentes (áreas) que forman parte en tu empresa, de tal manera que después puedan comunicarse entre ellas utilizando una interfaz, independientemente de cómo estén organizadas en cada sector.
Esto se obtiene mediante la generación de servicios de información disponibles 24×7 con el fin de resolver cualquier consulta o generar los indicadores cross department.
De esta manera, es posible aprovechar la información en forma transversal para hacer crecer a tu negocio, independientemente de que cada sector funcione como una caja negra.
Esta solución resulta sumamente viable para las empresas que buscan trascender de un modelo de silo a uno cross company, ya que permite hacer un salto de fe en la incorporación de Machine Learning sin tener que generar grandes cambios en su estructura organizacional interna.
Costos y beneficios
Ahora bien, llevar a cabo este proceso de maduración a un modelo cross company que permita la comunicación entre distintas áreas resulta un desafío.
Esto no sólo implica informatizar cada área sino también capacitar a los integrantes sobre la importancia de la fiabilidad y disponibilidad de la información. También se necesita presupuesto volcado en infraestructura y profesionales listos para tener los servicios funcionando en todo momento.
A pesar de que pueda sonar costoso encarar esta solución hay que saber que los beneficios son exponenciales.
En primer lugar, podemos empezar a elevar el status de nuestra startup para que las áreas tengan la capacidad de funcionar con modelos de data science. Como ya estuvimos viendo, es el análisis de los datos el que permite responder a las demandas de personalización de los productos y servicios, una estrategia ineludible para las startups que pretendan crecer.
Además, podemos generar indicadores que ayudan a atraer nuevas inversiones o fomentar el desarrollo de nuevos productos y servicios.
Tercerización/operativización con recursos internos
Otro desafío de las startups se debe a la falta de tiempo o de recursos internos para poder alcanzar un modelo de maduración de datos.
Pero tampoco quieren quedarse afuera de incorporar data science en sus departamentos, siendo que entienden que es el impulso para afianzarse como empresa. En ese caso es posible contratar una empresa especializada en Machine Learning, capaz de dar el puntapié que impulse el relevamiento y análisis de los datos que genera la startup.
En 7Puentes hace más de 10 años desarrollamos modelos de ciencias de datos. Somos expertos en explotar el potencial de los productos basados en datos independientemente de la estructura de la organización, sea con datos cross company o datos en tipo silo.
Junto con nuestro equipo de expertos: ingenieros, analistas y data scientists estamos listos para encarar cualquier desafío.