El machine learning, la inteligencia artificial y otra serie de conceptos asociados a las nuevas tecnologías en negocios han proliferado dentro de gran parte de las organizaciones. Es así como es muy común hoy en día hablar de transformación digital o de convertirse en una Data-driven organization. Sin embargo, creo que es muy importante antes de lanzarse en cualquier proyecto importante de transformación, estar seguros de que entendemos el rumbo que deseamos tomar. Muchos de estos conceptos lucen muy bien en los libros, con ejemplos simulados y otros de caracterización de lo que sería una organización, pero la pregunta es ¿cómo se ven y evalúan en la práctica? Lo cierto es que, desde mi experiencia, habiendo recorrido una gran cantidad de sectores económicos y diversos países del mundo, lo que observo es una generación de muy poco valor agregado en muchas de estas metodologías. ¿A qué se debe esto? Esta pregunta me la hice muchas veces al analizar el por qué una gran cantidad de organizaciones, utilizando modelos de frontera, no lograban concretar lo que buscaban al querer ser una Data-driven organization. De hecho, muchos de sus modelos quedaban olvidados o eran impracticables de implementar para el usuario final de la organización. Después de mucho análisis e investigación con problemas reales de negocios y soluciones integrales que generamos, llegué a dos conclusiones esenciales. Esto me permitió a su vez, durante mi estadía como profesor visitante en el Massachusetts Institute of Technology (MIT), desarrollar un enfoque integral de analytics que le llamé el Goal-Based Data Organization. Lo que sucede en el problema principal, es que la corriente mundial ha llevado a las organizaciones a querer adherir a una transformación, sin tener claro cuáles son los objetivos que quieren lograr a través de esta. Podemos desarrollar un gran data lake o algoritmos de frontera, pero mientras no descubramos para qué realmente los queremos, no podremos obtener valor de ellos. Más importante aún, estos algoritmos serán ejecutados por personas, que en muchos casos no les es familiar la revolución de las tecnologías, por lo que si no logramos llevarlas a una bajada de nivel usuario, son poco o nada implementables para el negocio. Como segunda gran conclusión, determiné una senda óptima de aplicación de analytics. Era muy común escuchar teóricamente que se quería mudar de una planilla de cálculo a alguna tecnología sofisticada de por ejemplo, inteligencia artificial. Muchas de las empresas que visitaba me comentaban que el problema era su Excel y que por esto debían mutar a ojalá un algoritmo de frontera. Pero nuevamente, la pregunta es, cuál era el problema de negocios, y el objetivo a lograr para en función de estos determinar si había que cambiar el Excel o no.