A lean approach to Data Science: introducing the “Big Data & Analytics Canvas”

[Versión en castellano más abajo]
By: Manu Carricano
PhD. Senior Lecturer Operations, Innovation and Data Sciences at ESADE

ESADE Big Data & AnalyticsWe are now beyond the hype point in Big Data & Analytics. With two consequences. First, a greater number of organizations have started initiatives, and some are having successful projects in production. Second, as teams and projects are scaling up, the time for results is coming… and Boards patience is vanishing sooner than expected.

So, do we see results yet from the many initiatives started? In the vast majority of cases, the answer is no, and several root causes can be identified:

  • Access, quality and data ownership
  • Silo organization, even with active Data initiatives
  • Culture of “pilot” and lack of support from Top Management
  • Lack of business acumen / orientation of the teams
  • Dichotomy between “data engineers” and “data scientists”
  • Algorithm “infertility”, lack of trust on recos, etc.

How to overcome these difficulties, and make sure that your organizations goes full steam towards a successful data-driven transformation?

The key to success here is develop since the early days of the initiative a holistic view on the process, blending its two facets (Data Architecture & Management on one hand, and Data Science & Analytics on the other hand) while keeping results delivery on track.

As startups are working in an agile way to deliver early their MVPs (most viable products), leaders of Data-Driven Transformations should focus on delivering in fast turnaround analytical products that impacts the business.

This is the underlying objective of the “Big Data & Analytics Canvas” that we have developed over the last couple of years with organizations facing complex analytical transformation.

The canvas is structured on 6 main blocks:

  1. Business: formulation of Objectives; Actions to be taken (Deployment); Measured Impacts.
  2. Data Integration: Data Sources; Enrichment; Data Architecture decisions.
  3. Data Exploration & Discovery.
  4. Data Visualization: at the center as it allows to quickly deliver results and scale up the number of users around the initiative.
  5. Insights Generation: building an insight engine is key, and can be deployed around 2 dimensions: descriptive analytics (for many orgs at there, less is more) and predictive analytics.
  6. Decisions optimization: many initiatives focus on data science, but forget prescriptive methods rooted in OR. Prescriptive is the higher level of analytical maturity and where business impacts happen.

The approach is simple, but its constant monitoring, in a Data-Driven “war room” ensures a pragmatic overview of this complex transformational process, a clear communication to the key stakeholders (and particularly Top Management), and an efficient tracking on progress and results delivery.

For more information, and if you are interested in leveraging the Big Data & Analytics Canvas, join us for our brand new Executive Education programme on Big Data & Analytics or contact me directly.

 

Un breve enfoque a la ciencia de datos (data science): introducción al “Big Data & Analytics Canvas”

Por: Dr. Manu Carricano
Profesor asociado sénior del Departamento de
Operaciones, Innovación y Data Sciences de ESADE

ESADE Big Data & AnalyticsYa hemos superado el punto álgido de los big data y su analítica (Big Data & Analytics). Con dos consecuencias. La primera, que un mayor número de organizaciones ya han impulsado iniciativas en este sentido, y algunas de ellas están aplicando proyectos con éxito. Y la segunda, que a medida que los equipos y los proyectos adquieren mayor escala, se acerca el momento de rendir cuentas… y la paciencia de los consejos se está acabando antes de lo esperado.

Así pues, ¿empezamos a ver algunos resultados de las numerosas iniciativas impulsadas? En la gran mayoría de los casos, la respuesta es no, y pueden identificarse varias causas profundas:

  • El acceso, la calidad y la propiedad de los datos
  • La organización en silos, incluso en las iniciativas activas de Data
  • La cultura de los “proyectos pilotos” y la falta de apoyo por parte de la alta dirección
  • La falta de visión/orientación empresarial de los equipos
  • La dicotomía entre los “ingenieros informáticos” (data engineers) y los “científicos de datos” (data scientists)
  • El algoritmo “infertilidad”, la falta de confianza en las recomendaciones, etc.

¿Cómo superar estas dificultades y asegurarnos de que nuestras organizaciones avanzan decididamente hacia una exitosa transformación basada en la gestión de datos?

La clave para el éxito, en este caso, es desarrollar desde los primeros días de la iniciativa una visión holística del proceso, combinando sus dos facetas (por una parte, la arquitectura y la gestión de datos y, por otra, la ciencia y la analítica de datos), y controlar los resultados obtenidos.

Del mismo modo que las start-ups están actuando de una forma muy ágil para proporcionar enseguida sus productos más viables (most viable products o MVP), los máximos responsables de las transformaciones basadas en la gestión de datos deberían centrarse en proporcionar, en el menor tiempo posible, unos productos analíticos que impacten en el negocio.

Este es el objetivo básico del Big Data & Analytics Canvas (“lienzo de los big data y su analítica”), que hemos desarrollado durante los dos últimos años con varias organizaciones que se enfrentan a una compleja transformación analítica.

Este “lienzo” se estructura en 6 bloques básicos:

  1. Negocio: formulación de los objetivos, acciones a emprender (despliegue) y medición de sus impactos.
  2. Integración de datos: fuentes de datos, enriquecimiento y decisiones sobre la arquitectura de datos.
  3. Exploración y descubrimiento de los datos.
  4. Visualización de los datos: es central, puesto que permite obtener rápidamente resultados y aumentar el número de usuarios que participan en la iniciativa.
  5. Generación de insights: es fundamental construir un motor de insights, que puede desplegarse en torno a 2 dimensiones: la analítica descriptiva (para muchas organizaciones de este tipo, “menos es más”) y la analítica predictiva.
  6. Optimización de las decisiones: numerosas iniciativas se centran en la ciencia de datos, pero se olvidan de los métodos prescriptivos basados en OR. El nivel prescriptivo es el nivel más alto de madurez analítica y donde se producen los impactos en los negocios.

El enfoque es simple, pero su control constante en una “sala de guerra” basada en los datos garantiza una visión pragmática de este complejo proceso de transformación, una comunicación clara a los principales stakeholders (y, en particular, a la alta dirección) y un seguimiento eficiente de su avance y de los resultados obtenidos.

Si deseas más información o estás interesado en utilizar el Big Data & Analytics Canvas, únete a nosotros para impulsar el nuevo programa de Executive Education en Big Data & Analytics, o contacta directamente conmigo.

Related posts:

Big Data | , , ,

Deja un comentario

El email no se publicará

*

*

*

You can use these tags and attributes HTMl: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

*