Image is not available
CESA
College of Higher Studies
of administration
Slider

Narrar historias con datos

Mucho se viene hablando de la importancia de los datos en la actualidad para la toma de decisiones.

Los avances tecnológicos han permitido acumular una gran cantidad de información y datos, como nunca antes en la historia de la humanidad. Sin embargo, ¿qué manejo hay que darle a estos datos para que lleven a manipularlos de manera efectiva y que conduzcan a la acción, a decidir?

Quienes vienen abordando el tema a profundidad convergen en que, para que ello ocurra, los datos deben hacer parte de una historia que, como cualquiera, hay que saber contar.

Narrar historias con datos, la base

“Los que cuentan las historias gobiernan la sociedad”, decía Platón. Es a través de estas, y así ha ocurrido desde siempre, como se motiva a la acción para que se produzcan cambios.

De nada sirve tener colosales volúmenes de datos si no hay manera de introducirlos en un contexto para develar su significado y, ante todo, transmitirlo.

Dos aspectos resultan esenciales al contar historias a través de los datos. De un lado, narrar historias con ellos es el punto de partida para el cambio que hoy necesitan las organizaciones: entrar a la cultura de los datos.

Y de otro, hoy resulta imperativo que todos los integrantes de una organización entiendan y puedan transmitir ideas, a través de los datos, pues estos están formando parte de todo lo que hay a su alrededor.

Las ocho tendencias en datos para este 2021.

El ingeniero Ricardo Dicarlo, docente de la Maestría en Liderazgo en Transformación Digital del CESA, señala que no basta con poner a un científico de datos a presidir un departamento de análisis para adaptar la cultura de los datos a la organización.

Adaptarla depende de la visualización y la narrativa para la toma de decisiones. “Es la única forma como los líderes logran enganchar a sus equipos para ese propósito”, explica. Y añade que en los tiempos actuales contar historias a través de los datos es una habilidad necesaria y, como tal, se puede perfeccionar.

Visualización e historia no son lo mismo

La visualización de datos ayuda de manera considerable a entender fenómenos, patrones, resultados, que son elementos útiles para la toma de decisiones. Por tanto, cuidar aspectos como el color, la composición, el volumen visual, la relación de los elementos dentro de un gráfico es importante.

Sin embargo, muy a pesar de la contundencia de que una imagen vale más que mil palabras, son las historias derivadas de ese mundo gráfico las que motivan a la acción. Aquí reside la trascendencia.

En efecto, los datos son fríos por naturaleza. Aun insertos en un gráfico extraordinario, no tienen vida si no son apropiadamente enmarcados dentro de un contexto que se pueda explicar y que a su vez pueda atraer.

Doug Rose, experto en agile y scrum, y autor del libro Data Science: Create Teams That Ask the Right Questions and Deliver Real Value, afirma que los gráficos y datos en ellos no valen nada a menos que estos puedan ser conectados con una audiencia. Y es la narrativa detrás de los datos la que logra atraer, educar, motivar e implicar.

Y concluye que la puesta en escena de datos en una visualización y una historia no son los mismo.

Los datos presentados a través de una excelente visualización son -a los sumo- grandes actores de reparto. Las historias, en cambio, protagonistas estelares.

Read More

Analítica visual al servicio de la banca para conocer a sus clientes

La visualización de datos en la toma de decisiones sigue ganando terreno y en el mundo de la banca no puede ser la excepción.

Un estudio de comportamientos de comunidades asociados a transacciones financieras y visualizado a través de gráficas reveló la frecuencia de estas, la representatividad de clientes y las variaciones de rentabilidad para los mismos.

El estudio, titulado Rentabilidad y propagación del dinero en una comunidad de clientes bancarios: un enfoque de analítica visual, está plasmado en un artículo de autoría de los profesores investigadores Luis Berggrun, del CESA; Juan Salamanca, de la Universidad Urbana-Campaign de Illinois (EE.UU.), Javier Díaz, de Icesi; y Juan David Ospina, de la Universidad Nacional.

La investigación analiza transacciones financieras de clientes corporativos de uno de los bancos más grandes de Colombia.

El estudio identifica 131 comunidades para el banco con un universo de más de 840 mil transacciones. Estos dos componentes de datos fueron la base de la visualización, la cual se realizó a través del software NetInt, basado en Java (lenguaje de programación).

Visualizacion-de-datos-en-la-toma-de-decisiones-graficaLa concentración de aspectos revelada por las gráficas da respuestas sobre quiénes son los clientes más representativos de una comunidad, cuál era la frecuencia de transacciones de una comunidad y cómo variaban las cifras de rentabilidad y riesgo por grupo de clientes.

Asimismo, se pudo analizar cuáles comunidades estaban comunicadas o incomunicadas entre sí a partir de las transacciones realizadas.

Analítica visual

La visualización permitió una mayor precisión en torno a la dinámica de las comunidades, abriendo una puerta a diversas aplicaciones prácticas; es decir, a una toma de decisiones favorables para la banca.

Una de ellas es entender mejor el riesgo sistémico o como un shock externo se puede propagar dentro de una comunidad. Un ejemplo de ello es el momento en que se frenan las transacciones entre los miembros de un subconjunto de clientes.

Otra aplicación práctica es que el banco, identificando las características y perfil transaccional de las diferentes comunidades que puedan existir dentro de sus clientes, puede diseñar u ofrecer productos financieros mejor adaptados a las necesidades de las compañías que hacen parte de una comunidad.

Una tercera aplicación adicional es determinar cuáles de sus comunidades son más rentables para el banco (implementando, por ejemplo, metodologías de profit scoring) y cuáles presentan mayor riesgo o variabilidad para la entidad financiera.

Una mirada a las transacciones

En un enfoque de análisis tradicional sobre el tema, se definen estos grupos o clusters con base en características de las firmas. Los clientes en una misma comunidad suelen tener similares niveles de ventas o rentabilidad, la misma ubicación geográfica o incluso pertenecer a la misma industria. En esta investigación se definieron comunidades con base en transacciones entre clientes que se canalizan a través de un banco.

En este sentido, a pesar de que dos firmas estén en sectores industriales diferentes, si una alguna tiene transacciones monetarias frecuentes con la otra -como recibir depósitos o efectuar pagos-, es razonable asumir que pertenecen a una misma comunidad.

En el análisis también se observaron también diferentes patrones de propagación de shocks (o efectivo) de comunidades diferentes. Por ejemplo, la propagación es muy diferente en una comunidad donde los receptores de pagos dependan de muchos pagadores, como es el caso de una empresa de servicios públicos, o donde los receptores de efectivo dependan de un solo pagador, como sucede con los asalariados que dependan económicamente de una firma muy grande.

El proyecto de investigación fue parcialmente financiado por la Alianza CAOBA (Centro de Excelencia y Apropiación de Big-Data y Data Analytics, http://alianzacaoba.co/ ) de la cual hacen parte el Departamento Nacional de Planeación (DNP), el Grupo Nutresa, Bancolombia, 11 universidades del país y empresas líderes en el sector tecnológico.

Luis Berggrun Preciado

Docente Investigador CESA

Read More

Acreditaciones y Reconocimientos