El costo oculto de las decisiones instintivas

El problema del billón de dólares del que nadie habla

La mala calidad de los datos no es un problema específico de TI. Es uno de los problemas operativos más costosos en la empresa moderna, y la mayoría de los equipos de liderazgo no tienen idea de cuánto les está costando. La razón por la que permanece oculto es estructural: no existe una única línea de pérdidas y ganancias denominada "coste de los datos incorrectos". El daño se distribuye entre docenas de departamentos y se manifiesta en reelaboraciones en finanzas, stock mal asignado en operaciones, CAC inflado en marketing y comisiones en disputa en ventas. Cuando alguien agrega el impacto, las cifras son lo suficientemente grandes como para resultar políticamente incómodas, por lo que rara vez se agregan.

Lo que hace que esto sea particularmente perjudicial es que el costo rara vez aparece como una partida individual. Aparece en el futuro: como un acuerdo que fracasó porque alguien actuó con cifras equivocadas, un déficit de inventario que nadie vio venir o una iniciativa estratégica basada en suposiciones erróneas. Hemos visto a un cliente de logística descubrir, seis meses después de iniciar un programa de optimización de rutas, que dos depósitos estaban enviando datos de combustible en unidades diferentes. Todo el modelo estaba equivocado por un factor de casi cuatro para esas ubicaciones. La solución tardó dos días; El valor de optimización perdido durante los seis meses anteriores se estimó en 1,4 millones de euros. Nada de esto apareció en ningún sistema como "un problema de calidad de los datos". Aparecieron como objetivos fallidos que nadie podía explicar.

La trampa del analista: adónde va realmente el tiempo de su equipo

Aquí hay una pregunta que vale la pena hacerle a su equipo de análisis: ¿cuánto de su día dedican al análisis real y cuánto dedican a verificar si los datos que están a punto de utilizar son siquiera confiables? La mayoría de los líderes de datos, cuando responden honestamente, dan una cifra que sorprende a sus patrocinadores ejecutivos. La frase "Sólo necesito comprobar este número antes de la reunión" es una de las más caras de la empresa moderna. Señala que incluso los analistas más experimentados no confían plenamente en los insumos de su propio trabajo y, por lo tanto, cada entrega importante conlleva una carga oculta de verificación manual.

"Casi un tercio de los analistas dedica más del 40% de su tiempo a examinar y validar datos antes de que puedan utilizarse para cualquier propósito estratégico".

— Forrester Research, "Calidad de datos: la base del éxito de la IA" (2019)

Eso no es análisis. Se trata de un mantenimiento de datos costoso. Y mientras sus analistas lo hacen, no identifican oportunidades de crecimiento, señalan sobrecostos ni crean paneles de control que ayuden a su equipo de liderazgo a tomar mejores decisiones. El costo de oportunidad no está sólo en sus salarios: está en los análisis que nunca se hacen. El nivel de precios que nadie tuvo tiempo de probar. El segmento de clientes cuyo perfil de margen nunca fue modelado. La renegociación con proveedores que carecía del respaldo cuantitativo para salir adelante. Estos son los resultados silenciosos que desaparecen cuando el trabajo de validación se expande para llenar el calendario disponible. Una base de datos moderna no elimina la necesidad del juicio de los analistas; elimina la necesidad de que los analistas hagan trabajo de fontanería de datos.

La regla 1-10-100: por qué vale la pena invertir temprano

Existe un principio bien establecido en la gestión de datos llamado regla 1-10-100, popularizado por el pionero de la calidad de datos George Labovitz en la década de 1990. Describe el costo creciente de solucionar un problema de datos en diferentes etapas, y sigue siendo uno de los modelos mentales más útiles para justificar la inversión en la calidad de los datos ascendentes:

La mayoría de las empresas operan directamente en la zona de 10× o 100×, no porque sean descuidadas, sino porque carecen de la infraestructura para detectar los problemas a tiempo. Un socio de BI no solo crea paneles de control, sino que crea la disciplina de canalización de datos que evita que estos problemas se agraven. Eso significa validación automatizada en el momento de la ingesta, contratos de esquema entre sistemas, detección de anomalías en métricas clave y propiedad clara de cada conjunto de datos que alimenta una decisión de liderazgo. Nada de esto es tecnología exótica. Es una disciplina de ingeniería aplicada de manera consistente, la misma disciplina que distingue una operación logística bien administrada de otra que se tambalea de un incidente a otro. Una vez que está en su lugar, la zona 1× es donde quedan atrapados la mayoría de los problemas de datos y la interrupción a nivel ejecutivo simplemente deja de ocurrir.

El punto ciego: el 60% de las empresas ni siquiera lo miden

Según Gartner, el 60% de las empresas no miden en absoluto el coste de la mala calidad de los datos. No tienen una línea de base, ni un mecanismo de seguimiento, ni forma de saber si el problema está mejorando o empeorando. Si no lo mides, no lo gestionas, y los costos se acumulan silenciosamente, trimestre tras trimestre. El primer paso es casi siempre el mismo: instrumentar el coste. Realice un seguimiento de cuántas horas dedican sus analistas a conciliar fuentes, cuántas decisiones de liderazgo se aplazan para una "verificación de datos" y con qué frecuencia se reexpresan facturas, comisiones o posiciones de existencias. Dentro de un trimestre tienes un número y dentro de dos tienes una tendencia. A partir de ahí, el argumento comercial a favor de la inversión se explica por sí solo.