Artículo de R. Álvarez, Manager tecnologías CDP/CRM /Marketing Auto./ Ciberseguridad / Responsable Experto en Data.

El gobierno de datos es fundamental para construir y mantener el valor organizacional tanto a nivel estratégico como operativo. Se ha vuelto crítico en el mundo actual impulsado por los datos y la información, donde la tecnología y las decisiones relacionadas dependen de datos de calidad.  Los datos de calidad tienen tres características: precisión, integridad y confiabilidad.

La mayoría de las organizaciones están inundadas de datos. Los datos en sí mismos se ven cada vez más como una mercancía y una fuente de ventaja estratégica, a pesar de que (todavía) no se reconocen como un «activo» en el balance tradicional. Sin embargo, la mera posesión de abundantes cantidades de datos no es suficiente. Lo que es fundamental es la capacidad de refinar, procesar y evaluar datos y capturar el significado de los datos no estructurados que pueden contar una historia para proporcionar valor estratégico y operativo a una organización. En este sentido, el nivel de actividad (y el tipo de valor proporcionado) en el espacio de datos y análisis en los últimos dos años ha evolucionado generalmente en torno a cuatro categorías:

• Descriptivo, centrado en lo sucedido.
• Diagnóstico, centrado en por qué ha sucedido.
• Predictivo, utilizado para pronosticar lo que podría suceder.
• Prescriptivo, analizado para ayudar a determinar lo que se debe hacer

La automatización exitosa está impulsada en parte por datos consistentes, pero un desafío importante que enfrentan las partes interesadas es que, por lo general, hay sistemas heredados en las organizaciones que se configuran de manera diferente entre sí. Esto aumenta el riesgo de error, ya que los datos a menudo no están estructurados y no están estandarizados.

Además de los problemas de calidad de los datos, el uso de datos plantea posibles desafíos éticos. Para que la IA produzca los conocimientos más valiosos y precisos, los modelos de entrenamiento necesitan datos «reales». Sin embargo, en ocasiones  las partes interesadas cuestionan si el uso de datos reales para este fin compromete los principios fundamentales de integridad y confidencialidad. Por ejemplo, si una empresa obtiene el consentimiento de un cliente  para utilizar los datos recopilados mientras realiza una actividad profesional con el fin de entrenar un sistema de IA en desarrollo, ¿es esto suficiente para cumplir con los requisitos del principio fundamental de confidencialidad?

¿Cambia esta respuesta si los datos se anonimizan primero? ¿Se consideraría esto similar a una solicitud de third party  para utilizar información de cliente anónima con el fin de publicar datos o estudios de evaluación comparativa?

Para cumplir con las expectativas de calidad de los datos y su uso, las partes interesadas deben contar con un marco de gobernanza de datos ( también puede ser a través de las ISO 8000  )  y administración de la información que garantice, entre otros resultados, la precisión, objetividad, consistencia e integridad de los datos para su uso en la toma de decisiones y / o el intercambio con un tercero. Al diseñar dichos marcos, por ejemplo, como parte de la consideración de la idoneidad y eficacia de los controles internos sobre la información financiera, las partes interesadas deberán considerar la idoneidad de la gobernanza en torno a:

1. Control de la integridad de los datos, es decir, el origen de los datos y si se han modificado después de su creación,recopilación o adquisición. Si los datos son representativos para el propósito y la población para los que se utilizan para servir o Comprender la naturaleza de los datos que se crean, recopilan o adquieren, incluidas las implicaciones relacionadas para el cumplimiento de las obligaciones profesionales y la legislación o regulación jurisdiccion al con respecto a la confidencialidad y la privacidad. Esto incluye dónde residirán los datos y cómo se eliminarán eventualmente.
2. Distinguir entre información comercial y personal o individual que podría ser potencialmente sensible y tener diferentes implicaciones legales. Problemas emergentes como la «propiedad» de los «nuevos» datos creados a partir de la minería de big data y la aplicación de IA a los conjuntos de datos
3. Razonabilidad de los procedimientos de identificación de riesgos relacionados con el ciclo de gobierno de datos, controles para abordar dichos riesgos, requisitos de documentación y gestión.
4. Evaluaciones de riesgos colaterales de violaciones de confidencialidad  y privacidad que tales infracciones, o ataques cibernéticos o ransomware, exigen, así como planes de contingencia relacionados.

Los principales desafíos a los que se enfrentan las empresas con respecto a la gobernanza de datos surgen del volumen y la calidad de los datos, el número de políticas de privacidad de datos que deben cumplirse en todas las jurisdicciones (por ejemplo, el Reglamento General de Protección de Datos de la Unión Europea , la multitud de plataformas de comunicación (es decir, plataformas de TI en la sombra) y lo que se comunica a través de dichas plataformas (es decir, acuerdos confidenciales compartidos a través de dichas plataformas debido a la falta de  directrices formales relacionadas) y los riesgos de ciberseguridad asociados con la transmisión y el almacenamiento de datos.

Una tecnología apareció y prometía cambiar todo. Los problemas de integración, etiquetado y almacenamiento de los datos de los clientes desaparecerán. Las identidades se fusionarán. Podrás encontrar nuevas audiencias hasta que te canses . Ah, y escalará, raramente fallará y permitirá un marketing one-to-one. Las empresas  gastaron mucho solo en aplicaciones y bases de datos —sin incluir los honorarios de consultoría— y, sin embargo, muchos de los proyectos de CRM «fracasaron» o no tienen un ROI . Lo mismo está ocurriendo de nuevo  con el gran boom de la automatización del marketing y la IA aplicada al marketing y ventas o proyectos de DATA.

Muchas de las inversiones realizadas por muchas empresas ,han perpetuado la fragmentación de los datos y aquí es donde Customer Data Platform (CDP) es la gran solución y la gran desconocida para muchas empresas o al menos para saber sacarle todo el rendimiento: majear grandes volúmenes de datos, calidad , ayudar en la gobernanza de los datos / privacidad de datos etc,

• CDP y Gobierno de Datos: la fórmula mágica

Todos sabemos que  lo que los consumidores quieren es continuidad en las comunicaciones entre los diversos canales de contacto (negocio físico, navegación del sitio web, aplicación para smartphone etc ) y con respecto a la manera, el momento y el lugar elegido por él o ella. Esto solo es posible mediante el uso de una solución que opere en tiempo real, integrando datos de geolocalización y analíticos para, por ejemplo, averiguar si un cliente está inclinado a comprar un producto o cambiar de opinión a favor de un producto de la competencia.
Por lo tanto, la evolución de las relaciones implica el uso de nuevos métodos de predicción y automatización. Datos estructurales para realizar análisis de sentimiento y automatizar la aplicación de descuentos, emitir recomendaciones de compra o proporcionar asistencia a través de chatbot. Todo esto  procesando los datos de forma segura, de acuerdo con las disposiciones de privacidad, con especial referencia al GDPR que hemos hablado antes.

El conocimiento del cliente requiere un punto de recopilación de información heterogénea que recopile gustos, patrones de comportamiento y relaciones con una empresa. Este es el objetivo de CDP, un lugar donde la información procedente de todas las fuentes de contacto llega y se consolida, es decir puntos de venta, ecommerce, CRM, mensajes en redes sociales, callcenters , bases de datos externas, etc. Datos que, una vez eliminados los errores y los datos duplicados, proporcionan información sobre quién es el cliente, preservando al mismo tiempo su historia para ayudar a comprender su valor y evitar confusiones estadísticas y relaciones espurias en análisis posteriores.

Con el fin de entender cuáles son los escenarios futuros y el aprendizaje automático (ML), CDP habilita factores que normalmente no se consideran en los análisis de los clientes se tendrán en cuenta, como las correlaciones con los datos de inventario, la producción, los movimientos del cliente en la tienda/ supermercado etc o con los datos de IoT.

RPA: un cómplice en los proyectos de DATA

Alguno nuevas posibilidades interesantes están surgiendo a medida que la automatización robótica de procesos tiene se ha fusionado con Data Management. Gestión de datos incluye un gran número de tareas repetitivas a medida que se recopilan y procesan datos, que puede beneficiarse de la automatización. RPA se puede aplicar a repositorios de datos, realizar tareas como la normalización, la limpieza de datos o la actualización de metadatos mucho más eficiente. Estas tareas tienden a ser únicas y son extremadamente repetitivo, proporcionando una situación ideal para aplicar RPA.

RPA Funciona bastante bien con big data. Es una herramienta que genera Big Data y proporciona un análisis, ayudando a localizar cuellos de botella y descubrir otros problemas. Además, RPA puede extraer datos de documentos, y reducir el contenido a un formato utilizable para la investigación de big data o Procesos de aprendizaje automático. Los conocimientos adquiridos a través de la colaboración de RPA y big data ayudan a reconocer problemas dentro de los procesos del negocio y y permite a las organizaciones agilizar sus operaciones. RPA registra cada paso del proceso y brinda oportunidades de mejora.

La aplicación de análisis de datos modernos a los datos generados por RPA ayuda a desbloquear información adicional sobre los procedimientos y proporciona una comprensión sustancial de la estructuras y flujos de trabajo de la organización. Se puede utilizar para identificar pasos para mejorar los procedimientos y procesos de una organización. Este enfoque de big data ayuda a eliminar la subjetividad y los «sentimientos viscerales» de la toma de decisiones , permitiendo a las organizaciones tomar decisiones basadas en una  evidencia sólida.

Por tanto , RPA puede ayudar en la gestión de datos y CDP mediante la automatización de las tareas de entrada y validación de datos, la mejora de la eficiencia, el establecimiento de la gobernanza de datos y el ahorro de costes