Importancia de los procesos de una empresa en el data management

El concepto de vincular los procesos de una empresa con los datos no es nuevo. Sin embargo, en la actualidad se está viendo un resurgimiento, el cual tiene tanta importancia como siempre en relación con muchos temas de data management.

Diferentes clientes de diferentes sectores trabajando en proyectos de data management diferentes, tienen siempre algo en común: para todos es muy importante vincular las prioridades del negocio con los procesos de la empresa que los respaldan.

Los procesos de una empresa entran en el juego del data management en varios escenarios diferentes: Gestión de datos maestros, Gobernanza de datos, Calidad de datos y Análisis de big data.

Master Data Management

Master Data Management (MDM) es la disciplina que se esfuerza por lograr una versión única de la verdad para los elementos centrales de un negocio: cliente, producto, proveedor, etc. Sin embargo, la realidad es que una única versión de la verdad está compuesta de varias perspectivas sobre esa verdad.

Tomemos como ejemplo un dominio de datos maestros común como puede ser el producto. Si bien existe una visión integral de un 'Producto' con un superconjunto de atributos que admite múltiples grupos de usuarios en toda la organización, cada grupo de usuarios tiene su propia visión de lo que implica la información 'Producto' y cuál es el uso de esos datos. Cada grupo a lo largo de la cadena de suministro puede ver, crear, editar o eliminar ciertas partes de la información que conforma el concepto de 'Producto'. Para que el MDM sea exitoso, es importante identificar cada uno de estos grupos de partes interesadas y trabajar con ellos para comprender su uso y sus requisitos en torno al dominio de datos en cuestión.

Una herramienta que puede ser útil es un modelo de proceso de mapeado de elementos de datos. Utilizando un diagrama BPMN de procesos de una empresa, se pueden mostrar las partes interesadas a lo largo de una columna con sus actividades clave a su lado. Podríamos mostrar, por ejemplo, un ciclo de vida de desarrollo de producto que abarca desde su desarrollo hasta el coste del producto, los precios y las pruebas de mercado.

En este ejemplo, ciertos aspectos de los datos del producto serán claramente propiedad de un determinado grupo de partes interesadas. Por ejemplo, el equipo de desarrollo de productos es responsable de definir los componentes del producto y las instrucciones de montaje. Sin embargo, cuando se trata de precios, los datos de la cadena de suministro determinan el precio inicial, pero este precio puede modificarse mediante el proceso de marketing durante la fase de prueba del mercado. Marketing es responsable de poner nombre y descripción a los productos del catálogo.

Para realizar un seguimiento del uso y el ciclo de vida de los elementos de datos podemos utilizar una matriz CRUD. La matriz CRUD realiza un seguimiento de qué grupos crean, leen, actualizan y eliminan datos.

Cuando la información es modificada por más de un grupo, es importante establecer el workflow y la gobernanza adecuados. Por ejemplo, es probable que tanto la cadena de suministro como el marketing sientan que "poseen" la información correcta. Al diseñar de forma clara el workflow y el ciclo de vida de los datos, se ayuda tanto a los interesados como a los desarrolladores de MDM a comprender las responsabilidades correctas de los datos para las partes interesadas y a crear el workflow apropiado, reglas comerciales, reglas de seguridad, etc. alrededor de la solución. En muchos casos, las redundancias e ineficiencias en el proceso se pueden identificar y mejorar con la solución MDM, lo que convierte a MDM en una herramienta de optimización de procesos de negocio. A menudo, la gestión de datos maestros es tanto una iniciativa de proceso de una empresa como una iniciativa de gestión de datos.

Data Governance

Data Governance es un área de gestión de datos que se centra especialmente en las personas y los procesos, y que puede beneficiarse del uso de un modelo de procesos de empresa  estructurado. Identificar cómo se usan los datos en todo el proceso comercial y quién lo hace puede ayudar a determinar el gobierno y la propiedad de datos más adecuados. Puede ayudar a resolver diferencias cuando encontramos conflictos sobre la propiedad. Por ejemplo, en el ejemplo de fijación de precios anterior, tanto la cadena de suministro como marketing contribuyen al precio del producto, pero en diferentes fases del ciclo de vida del producto.

El análisis de los datos a través de los ojos del proceso comercial también puede ayudar a detectar el modelo y el diseño de los datos. Por ejemplo, ¿debería haber una característica adicional del "precio teórico" que se crea mediante los datos de la cadena de suministro y el precio de mercado de marketing? ¿Existen diferentes niveles de precios por región y / o fechas de vigencia para el precio de mercado? Ver los datos en el contexto de los procesos comerciales del mundo real puede ayudar a aclarar tanto su propiedad como su uso en toda la organización.

Data Quality

Del mismo modo, la calidad de los datos es un área en la que los procesos de una empresa desempeñan un papel clave. Hay muchas maneras de limpiar, validar y enriquecer datos, y muchas herramientas y métodos para respaldar la calidad de los datos. Pero si las técnicas de calidad de datos se utilizan sin tener en cuenta el uso de los procesos de la empresa, es probable que sean ineficaces.

Si no se tienen en cuenta los procesos de una empresa, los esfuerzos de calidad de datos se verán degradados por los mismos procesos que originalmente causaron los problemas de calidad de los datos.

Por ejemplo, un esfuerzo de calidad de datos común se centra en el nombre del cliente, la dirección y la información de contacto. En una iniciativa de calidad de datos de este tipo, es importante comprender la fuente de esta información del cliente y cómo se creó y actualizó a lo largo del ciclo de vida del proceso comercial.

Cuando un cliente determinado compra un producto, el departamento de ventas recopila y/o actualiza información relacionada. Si surge un problema con el producto y el cliente contacta con el servicio de atención al cliente, nuevamente se recopila información. ¿Están estos los tres departamentos sincronizados y usan la misma fuente de información del cliente? ¿O hay fuentes de datos fragmentadas y desarticuladas? No hay nada más molesto para el cliente que tener que proporcionar los mismos detalles una y otra vez. Si los tres departamentos están utilizando la misma fuente de datos, ¿existe un gobierno de datos y una propiedad claras sobre los datos y cómo se obtienen y actualizan? ¿El personal está incentivados para introducir datos correctamente? Un vendedor puede ser incentivado para cerrar un trato, pero ¿están incentivados para asegurarse de que la información del cliente sea correcta?

Big Data Analytics

El análisis de Big Data puede proporcionar información valiosa para fuentes dispares que pueden hacer crecer las fuentes de datos tradicionales actuales, como un data warehouse. En el caso de los datos de los clientes, por ejemplo, se pueden realizar un análisis de “sentimiento” de las redes sociales, patrones de compra, análisis de movimientos y más para crear una visión de 360º del cliente. Pero este análisis es de poco valor si se realiza en el vacío . Por ejemplo, si tenemos información sobre la opinión del cliente, es importante comprender en qué parte del ciclo de vida del producto se encuentra el cliente cuando expresa esta opinión. Unir su sentimiento a su etapa en el ciclo de vida de compra es fundamental para comprender verdaderamente su experiencia. El valor del análisis de big data se mejora cuando se vincula a los procesos de una empresa.

Conclusión

Los datos sólo son valiosos cuando se colocan en contexto, y los procesos de una empresa proporcionan un contexto importante sobre cómo se usan los datos en una organización. Los modelos de procesos empresariales ayudan a identificar dónde se usa la información y quién la usa, lo que tiene un impacto claro en el Master Data Management, la gestión de datos, la calidad de los datos, el análisis de big data y otras iniciativas de gestión de datos. Y, lo que es más importante, ayuda a establecer la prioridad comercial. Es imposible gestionar de cerca toda la información en una organización, por lo que priorizar los datos críticos para la empresa es un paso importante en cualquier disciplina de Data Management.