De manera simple, la monetización de datos, se traduce en aprovechar los datos que generamos día a día en la operación, para implementar iniciativas que generen mayor rentabilidad en la empresa. Algunos ejemplos de estas iniciativas:
- Incrementar ventas: Campañas de venta cruzada y productos complementarios
- Retener clientes: Campañas de prevención de churn (salida de clientes)
- Rentabilizar: Optimizar la gestión de inventarios
- Optimizar flujo: Maximizar su ciclo de efectivo
…. Pero esto no es nada nuevo … En eso estamos todos …. Por supuesto que no es nuevo.
El concepto de usar los datos en las decisiones de la empresa se viene repitiendo desde hace mucho tiempo, la pregunta es, ¿realmente estamos utilizando los datos como un activo de la empresa? o por el contrario, ¿son un pasivo con el que perdemos tiempo?
Te dejamos unos ejemplos de síntomas que te van a orientar para saber si tus datos son más un activo que un pasivo:
- Todos conocemos la utilidad del dato. Ejemplo: Ventas por cliente, sirven como referencia para medir las ventas de la empresa. Y estimar la compra del siguiente trimestre. Lo utilizamos mensualmente en las revisiones de resultados y en el Forecast trimestral. Te recomendamos leer el artículo: Los datos y Customer Journey del cliente
- Significado del dato. En la empresa existe un criterio homologado del concepto. Ejemplo: Lo que medimos como Ventas es realmente Venta neta (Venta menos descuento y rebates)
- Dato como activo. Utilizamos las ventas para generar campañas de venta cruzada y productos complementarios (Tipo: Los clientes que compraron el producto A, suelen comprar el producto B, con un 63% de probabilidad)
- Existe una fuente única de la verdad. Toda la organización mira el mismo dato. Ejemplo: Desde el Directorio, hasta las campañas de mercadeo, tenemos la confianza de que el dato de ventas por cliente y producto, es el mismo.
Si tienes más “Sí” en esta sección, es genial, porque tu empresa está en camino de monetizar sus datos. Muchas veces falta establecer mecanismos fiables de medición de resultados. Te recomendamos hacer esos esfuerzos, para demostrar a la Gerencia la utilidad de estas tecnologías y se asigne más presupuesto a estas iniciativas, para invertir en las nuevas tecnologías, que incluye el uso de modelos predictivos e Inteligencia Artificial.
Por el contrario, tus datos son más un pasivo, que un activo cuando:
- Existe cualquier duda de las preguntas anteriores, ya es un síntoma de que se puede mejorar
- No existe una fuente única de la verdad. En las reuniones, ventas tiene un dato, finanzas otro y operaciones otro. Y nos gastamos media reunión en discutir sobre quién tiene el dato correcto, en lugar de qué hacer con el problema.
- El proceso de datos no es transparente y sistemático. El proceso desde extraer los datos hasta que llegan a los reportes no son claros para todos, y/o requieren validaciones de algún área previamente. Ejemplo: Tengo un dato en el sistema de reportes, pero este no coincide con el que tengo en el ERP. “Algo pasa en el camino”
- Tenemos datos, están bonitos, pero no hacemos mucho con eso. Tenemos Power BI, tableros, reportes u otra tecnología pero no generamos iniciativas tácticas con esos datos. O si las generamos, no les damos seguimiento, y no podemos medir si esas iniciativas son rentables.
Si tienes más “Sí” en esta sección, pero no dispones de un área de análisis de datos, vale la pena elevar una iniciativa de esta naturaleza a Gerencia, enfocando los esfuerzos en proyectos cuyos resultados sean sean medibles.
Si tienes más “Sí” en esta sección, y ya dispones de un área de análisis de datos, es posible que falte alinear a las áreas de negocio. Muchas empresas creen que el uso de los datos están resueltos a través de sus analistas que se han especializado como data Scientist, pero no han visto la necesidad de transformar a ellos en personas que conozcan del negocio y que puedan tener claridad en toda su cadena de valor.
En cualquiera de los dos últimos casos, te recomendamos trabajar con profesionales que ayuden a la organización a madurar en este ámbito, en la buena administración de sus datos y su gobierno. Sí es posible aprender solos, pero buscar ayuda de especialistas puede acelerar la curva de aprendizaje y generar iniciativas de analítica rentables en corto tiempo.
