Data Analytics: Toma de Decisiones Efectivas

Autor: Claudia Fabian Vargas
Cargo: Sub-Gerente de Planeamiento en MOLITALIA S.A., 12 años de experiencia en planificación, compras, comercio exterior y almacenes en empresas transnacionales
Linkedin: https://www.linkedin.com/in/claudiafabianvargas/

¿Cuándo ha sido la última vez que quisiste implementar alguna mejora en la empresa en la que trabajas o en algún emprendimiento personal?

Cualquiera sea tu respuesta, si te interesa saber cómo hacerlo de una forma ágil y efectiva, te recomiendo invertir 10 minutos de tu tiempo en el siguiente artículo, que resume 12 años de experiencia en diferentes sectores económicos y más de una decena de artículos de lean six sigma que pueden llevarte en forma práctica a tomar decisiones efectivas como un reconocido Black Belt.

Para comenzar, es importante entender qué buscan las empresas cuando analizan data y definen KPIs, Key Performance Indicators por sus siglas en inglés, ya que de acuerdo con la Supply Chain Analytics Survey Report 2022 de la consultora americana APQC, el 88% de los que miden KPIs buscan optimizar la cadena de suministro y reducir sus costos. Mientras que otro 87% de los encuestados indica que buscan mejorar el nivel de servicio al cliente. En resumidas cuentas, lo que se busca es lograr eficiencias y que nuestro cliente final se sienta mejor atendido con esto.

Ahora que ya sabemos que los KPIs serán nuestro principal aliado para definir nuestra situación actual o AS IS, es importante definir la cantidad de KPIs que debemos gestionar y qué enfoque consideraremos al definirlos ya que con estos dos pasos podremos recién implementar el ciclo DMAIC, que proviene de las siglas de las iniciales de cada etapa en inglés: Define (Define), Measure (Mide), Analyze (Analiza), Improve (Mejora) y Control (Controla), ciclo que explicaré en los siguientes párrafos.

Entonces, en base a mi experiencia considero que los KPIs tienen 2 tipos de enfoque: 1) Enfoque por proceso y 2) Enfoque por objetivo. El primero está pensado en medir el desempeño de un proceso específico asociado a un área, equipo o persona responsable. Por ejemplo, cuando definimos los KPIs de Abastecimiento, veremos que todos los siguientes indicadores buscan lograr eficiencias en el proceso de compras.

En cambio, el segundo enfoque, normalmente tiene un carácter cross-funcional porque traspasa más de un proceso, área o equipos de trabajo buscando la gestión de un mismo factor en cada uno de ellos. Por ejemplo, el KPI de tiempo, veremos que todos los indicadores a continuación están pensados en lograr gestionar esta característica de tiempo independientemente del área en la que se encuentran.

Es importante definir el enfoque del KPI según lo que se espera, ya que en algunos casos se busca mucho la especialización o foco en un tema específico; mientras que en otros casos lo que se busca es que la compañía logre que todas sus áreas, procesos y equipos tengan un factor en común que sea su marca o lo que los caracterice.

A continuación, a modo de resumen práctico, les comparto una imagen que muestra claramente según el enfoque del KPI que buscas, cómo puedes definirlo basándote en gestionar a través de KPIs todo un proceso dentro de un área o parte de la cadena de suministro, por ejemplo, o si prefieres enfocarte en un objetivo específico que se transversal a toda la empresa.

En este punto, me imagino que te podrías estar preguntando, y ahora: “De la base de datos que manejo, ¿cuánta información debo analizar? ¿En qué unidad de medida debo trabajar? y ¿Con qué frecuencia debo actualizar y analizar la data?” Las respuestas a estas preguntas, las vas a poder responder tu directamente, si consideras las siguientes 4 recomendaciones que aprendí en estos años de data analytics.

  1. Evita la parálisis por análisis: Muchas veces buscamos la perfección en lo que hacemos y con ese propósito nuestros análisis de data terminan recabando la mayor cantidad de información posible para profundizar las conclusiones a tal punto que podemos perder la oportunidad de tomar decisiones, ya que incluso la inacción es una decisión. Por tanto, mi recomendación es que para recopilar información definamos cuál es la mínima indispensable y sobre esa empecemos a concluir y definir si podemos tomar decisiones claves donde la información que nos podría faltar no juega un rol levante o donde el riesgo sea tan bajo que es mejor decidir que seguir analizando y paralizando la decisión.  
  1. Enfócate en lo importante: La Ley de Pareto 80/20 es muy útil para el análisis de data, ya que con los recursos que tenemos (tiempos, costos, personas, etc) no somos capaces de analizar el 100% de la data o en caso decidiéramos hacerlo no sería para nada productivo. Por tanto, lo que se recomienda es conocer en mi base de datos qué es lo importante o qué es lo que genera el mayor impacto o los grandes cambios. Por tanto, la ley de Pareto es muy útil porque permitirá que analizando y tomando decisiones del 20% de las ocurrencias genere el 80% del impacto que busca mi decisión.
  1. La herramienta tecnológica no lo es todo: Es muy probable que muchos de nosotros hayamos cometido el error de pensar que teniendo una herramienta vanguardista o poderosa tenemos solucionado nuestro análisis de data y en realidad no. Sí es cierto que un ERP o software es de mucha ayuda para procesar la información con mayor velocidad y la presentación de gráficas o dashboard puede ser más amigable, pero un mal diseño de las preguntas que deseamos respondernos o sobre las que deseamos decidir, así como un ingreso de información incorrecta generará uso ineficiente de nuestros recursos o lo que es peor hará que tomemos decisiones inoportunas, que finalmente terminan siendo malas decisiones. En conclusión, puedo decirte que en mi experiencia, la herramienta tecnológica representa el 10% del éxito en el análisis de data, el otro 40% depende de la calidad del análisis que realizas y el otro 50% depende del diseño previo de lo que esperar responderte con el análisis.

TIPS PARA APLICAR DATA ANALYTICS EXITOSAMENTE

Fuente: Elaboración Propia.
  1. Siempre ten un plan de contingencia: Finalmente, ante una coyuntura de incertidumbre como la que vivimos, es necesario siempre tener un plan B o un plan de contingencia ante las decisiones que tomamos. Ya que con la data en mano seguramente la decisión que tengamos será la mejor posible, pero con la coyuntura los precedentes o sustentos de nuestra decisión pueden cambiar o no desempeñarse como lo esperábamos. Por este motivo es muy importante evaluar el riesgo de la decisión, valorizarlo en dinero y hacer un plan B que disminuya el impacto de este riesgo en caso ocurra lo que está fuera de nuestro control.

Ahora que ya sabemos qué es un KPI, con qué enfoque debemos definirlo y tenemos en cuenta los 4 tips para realizar un mejor análisis de data, estamos listos para explicar y aplicar en un ejemplo práctico el ciclo DMAIC que aplican los Black Belt. Como decíamos al inicio de este artículo, el análisis de data tiene un propósito principal que es diseñar, preparar y analizar la data correcta y oportunamente para poder aplicarla como parte de un ciclo de mejora continua, ya que si están pensando analizar data únicamente para cumplir con la presentación de sus indicadores o indicar al Comité de Gerentes que en sus áreas hacen gestión de información o manejan KPIs, les digo que no es suficiente.  

Por tanto, a continuación, les explicaré cómo el ciclo DMAIC le dará el valor agregado esperado a su data analytics si consideran sus 5 etapas para lograr la mejora continua:

  1. Define (Define): Definir el indicador o KPI que vamos a gestionar, el cual debe ser específico, medible y alcanzable. Asimismo, debemos definir el objetivo al que queremos llegar y el responsable de ejecutarlo. Por ejemplo, si decidimos que nuestro KPI será el fillrate o cumplimiento de entrega de pedidos, debemos definir que nuestro objetivo será el 85% y el responsable será el equipo de servicio al cliente.
  1. Measure (Mide): Medir el indicador definido considerando una cantidad de periodos mínima según el indicador y la naturaleza del producto o empresa que se desea analizar. Por ejemplo, si deseo analizar el cumplimiento de las órdenes de venta de los pedidos de panetones, requiero tener al menos 24 meses de historia para poder apreciar la estacionalidad de estos productos los meses de noviembre y diciembre por la campaña navideña. Si solo considero historia de 12 meses, el análisis estará incompleto.
  1. Analyze (Analiza): Analizar la información enfocándonos en el Pareto de los eventos, ya que como explicamos anteriormente el 80% del impacto de la compañía se generará analizando y tomando decisiones sobre el 20% de los eventos. Con este análisis el objetivo es analizar los síntomas o problemas más resaltantes para luego de identificados, se determine su causa raíz.
  1. Improve (Mejora): Mejorar el indicador considerando un plan de acción específico a la causa raíz determinada. Este paso se basa en elaborar un plan de acción con fechas objetivo y responsables que permitan eliminar o reducir la causa raíz del problema para mejorar el indicador y así el proceso o actividad que se desee gestionar.
  1. Control (Controla): Controlar es el último paso del ciclo DMAIC, ya que lo que buscamos es que el resultado mantenga un comportamiento constante sobre el KPI objetivo. En otras palabras, cuando el indicador muestre que ya se ha logrado construir un sistema de trabajo maduro porque tiene al menos 6 mediciones dentro del objetivo esperado, eso significa que hemos logrado controlar el evento y que podemos definir un nuevo objetivo y así crear un sistema de mejora continua.

Finalmente, considerando todo lo aprendido en el artículo, les detallo a continuación un caso hipotético a manera de ejemplo con cada paso para tomar decisiones efectivas gestionando la mejora continua. Así que estamos listos ¡pongámoslo a prueba!

DATA ANALYTICS Y TOMA DE DECISIONES CONSIDERANDO CICLO DMAIC

0 comentarios

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *