Los Modelos de Madurez BI nos pueden ayudar a identificar la situación actual de nuestra empresa y marcar un camino (gps) a transitar que nos permita pasar de obtener datos, a confiar en ellos y rentabilizarlos. A este destino muchas veces se lo etiqueta como “Data Driven/Insight Company”.
Me ha tocado analizar cómo muchas empresas se sienten “desilusionadas” debido a que sus soluciones analíticas no logran ser 100% automáticas o los números que se despliegan en sus Dashboard, no generan credibilidad. “Hemos invertido en proyectos analíticos, pero no logramos convertirnos en una Data Driven Company”.
Construir un entorno analítico maduro, requiere trabajar cuidadosamente una serie de factores. No se trata de soluciones estáticas y tampoco basta con el deseo de contar con más información. De hecho, llegar a una etapa de “rentabilización total de los datos” puede tomar años.
Los modelos de madurez BI ayudan a determinar qué tan preparada se encuentra una empresa para construir y mantener entornos analíticos y por extensión sistemas de “Performance Management”. También sirven como un mecanismo de comparación respecto a nuestros competidores.
Como resultado de la evaluación, se identifican brechas y se establece un camino progresivo de etapas. En la medida que avanzas por estas etapas, los procesos se vuelven más consistentes, predecibles y confiables.
Existen diversos enfoques académicos y empresariales, pero la mayoría coinciden en 2 aspectos. Definen qué medir y cómo evaluar. Varios están inspirados en el approach de mejora de procesos CMA – “Capability Maturity Assessment” y CMM, o en frameworks como el de Hammer y Champy o COBIT. Sí COBIT no COVID, de Control Objectives for Information and Related Technology.
Dado lo anterior, es posible desarrollar modelos de madurez BI ad hoc para cada empresa. De hecho, junto a un colega desarrollamos uno que posteriormente utilizamos como insumo para proponer un Gobierno de Datos y un Gobierno BI.
A continuación, revisaremos el modelo de madurez BI propuesto por Wayne Eckerson, el cual considera 5 etapas y 2 puntos de fricción (Gulf y Chasm).
Define sus etapas progresivas en función de variadas características, entre ellas: Percepción de ejecutivos, alcance analítico, estructura analítica, stewardship, plataforma tecnológica y gestión del cambio.
En la medida que una organización avanza, aumenta la credibilidad y consolidación de los datos, obtiene una mayor consistencia semántica de sus definiciones y reglas de negocio. Logra pasar de reportes operacionales, spreadmarts y Stand Alone Datamarts a entornos corporativos con información integrada. Como consecuencia logra incrementar el valor aportado al negocio mediante los datos.
Se caracteriza por la lentitud con que se generan los reportes y la carencia de un entorno que favorezca la creación de reportes ágiles e interactivos, generando como consecuencia, la proliferación de spreadmarts. Incluso, aunque se generen reportes automatizados, estos se caracterizan por haber sido desarrollados por un computin (como yo), usualmente al estilo “hand coding”.
Nuevos reportes implica un aumento del backlog de TI, como consecuencia, los usuarios no pueden obtener información crítica de forma oportuna para la toma de decisiones. Nace la práctica de “ejecutamos esta query y el resultado lo pegamos en nuestro Excel/Access”, generando así los clásicos silos de información – spreadmarts.
En esta etapa hay una alta probabilidad de que las reglas no estén alineadas y una gran cantidad de horas invertidas en la preparación de datos. Según Wayne, “están creando un Human Data Warehouse”. Ojo, tampoco es llegar y decir, “oiga no usemos más Excel”, imagínese ir a decir eso al área de control de gestión/finanzas. Si vas por este camino te recomiendo revisar este estudio [2] donde llegaron a la conclusión de que existe un 90% de probabilidad que haya algún error de lógica, por cada 150 filas en un Excel.
Para pasar al siguiente nivel se debe cruzar el punto de fricción “Gulf”, el cual representa interesantes desafíos como: Conseguir sponsor, pocas licencias, mínimas o nulas capacitaciones, falta de un equipo dedicado y exposición directa a problemas de calidad de datos, por nombrar algunos.
Los líderes de áreas/departamento reconocen la necesidad de empoderar a los trabajadores con información correcta y oportuna, como una forma de llevar a la organización a tomar decisiones basada en evidencias. Se apoya el desarrollo de Datamarts y la compra de herramientas BI para que los usuarios puedan acceder a dichos repositorios.
En esta etapa se observa la dificultad para lograr definiciones y reglas comunes, además de la existencia de más licencias de las que se necesitan. Los Datamart se generan de forma independiente (Independent o Stand Alone Datamart) soportando definiciones y reglas acotadas, y al igual que los spreadmart, extraen los datos repetidamente desde el sistema origen. No hay reutilización, pedir un “Drilling Across” es casi imposible.
Las soluciones BI empiezan a generar éxitos, lo que indudablemente aumenta su demanda. Aparecen frases del tipo “¿por qué ellos tienen acceso?”, “¿cuándo nos atenderán?”, “queremos eso mismo”, etcétera, etcétera. El objetivo es lograr permear las soluciones no solo a los “power user” sino también a los usuarios casuales.
Aquellas empresas que optaron por el camino de soluciones independientes notan que seguir avanzando en esa dirección es carísimo y además, terminan minando la capacidad de contar con una mirada empresarial de la información. Arquitecturas como Hub and Spoke, Bus Architecture y Data Vault son testeadas, evaluadas y mezcladas.
Una diferencia notable con la fase anterior, es que se acude al apoyo de especialistas dedicados para llevar a cabo el programa. Jefes de Proyecto, Data Engineers, Data Modelers, BI Developers, entre otros. Algunos como roles, otros como cargos y otros como outsourcing.
Muchas empresas se atascan aquí, la dificultad puede que ya no sea técnica sino más bien de negocio. Es más fácil para un departamento “autogobernarse” que lograr una visión empresarial integrada y democratizada para todos los colaboradores. Irónicamente pasamos de silos de información en Excel a silos fabricados por las nuevas herramientas. En palabras de Wayne “los usuarios siguen llevando un silo mental”.
Se debe gestionar el “mindset de los colaboradores” hacia una mirada cross funcional, evitando ambigüedades en la definición de sus KPI y KRI. Si bien las propuestas Self Services son atractivas de cara a reducir el backlog ya que permiten decir “le damos acceso directo a los usuarios para que creen e innoven con los datos”, también es cierto que muchísimos reportes están repetidos y/o en desuso.
Llegar a la “Adultez” requiere capacidad de Adaptabilidad, es decir, lidiar con sistemas que deben responder a nuevas soluciones, acelerar la adopción de requerimientos, incluso preparar soluciones que permitan cambiar rápidamente de stack. Hubo un tiempo en Chile que SAP BO la estaba rompiendo, pero de un día para otro Power BI entró con fuerza. ¿Qué pasará en los años siguientes? Difícil saberlo, pero sí sabemos que algo pasará. Atención al modelo de AWS y Google.
Se logran definiciones estándar y una consolidación de los diversos repositorios (departamentales y/o divisionales), en un entorno integrado empresarial único. Se utilizan metodologías que permiten ser más adaptables a cambios en los requerimientos de negocio. El Programa BI es visto como un activo estratégico dirigido y gobernado por el negocio. A su vez, se apoya de un centro de excelencia BI (BICC).
El BICC se encarga de definir y documentar buenas prácticas analíticas, procesos y procedimientos para la toma de requerimientos, y define la arquitectura entre otros aspectos. Además ayuda en la evangelización de lo implementado, y promueve la asignación de expertos a distintos departamentos para potenciar el Self Service.
Se evoluciona de los tradicionales reportes o dashboard a sistemas de Performance Management que logran permear la estrategia a cada empleado de la organización. A su vez se impulsa a los usuarios a usar nuevas herramientas y sandbox que les permitan explorar los datos para generar modelos predictivos (auto ml y otros). Finalmente, se logra publicar los datos con mayor periodicidad y confianza, y existe una apertura a sistemas del tipo “Master Data Management”.
Una vez que las soluciones analíticas se convierten en un recurso estratégico, empieza un nuevo desafío. Ahora la organización espera generar nuevos servicios comerciales poniendo su “activo analítico” a disposición de sus clientes y proveedores. Poder ayudarlos a manejar sus operaciones mejora notablemente el servicio al cliente y la fidelización.
Las soluciones BI son embebidas en los procesos de negocios que impulsan a la compañía, cambiando el lenguaje de “reportes” a insight embebidos en tiempo real. Ya no es necesario el “cambio de aplicaciones operacionales” para loguearse en la plataforma analítica, está “all in one”. De hecho, las soluciones Predictive Analytics pasan a ser motores de decisiones incorporados en las diversas aplicaciones de la compañía.
Irónicamente el team BI se vuelve un cuello de botella, en la medida que se hace imprescindible también aumenta considerablemente su backlog. Se suele tomar la decisión de confiar y motivar a que los departamentos construyan sus propios sistemas analíticos, amparados en los estándares definidos. Por lo tanto se genera un entorno de desarrollo híbrido entre el BICC y los usuarios.
Evaluar el nivel de madurez BI actual de una empresa ayuda a definir los pasos necesarios que permitan avanzar hacia el nivel siguiente. Sin embargo las organizaciones evolucionan a diferentes ritmos y pueden exhibir características de múltiples etapas, es decir, no hay un paso 100% limpio entre las etapas.
Es posible avanzar más rápido por las etapas pero se requiere un presupuesto adecuado, un sponsor adecuado y un equipo de expertos que ayuden a “cortar árboles en el bosque adecuado”.
Nota: Si crees que este contenido puede ser útil para otras personas no dudes en compartirlo. Además te invitamos a seguirnos en Linkedin, Twitter, Facebook, Instagram y Youtube. Mientras en el Blog liberamos contenido más extenso, en las RRSS publicamos semanalmente tips relacionados con Data Warehouse, BI, Data Science y Visualización de Datos que es justamente lo que más nos apasiona hacer en Lituus.
Fuentes:
