By Brittany Davis, Jefe de Datos en Narrador.

La gente de datos está en el negocio de ayudar a las personas a tomar decisiones. Ya sea que se trate de una consulta ad-hoc rápida y sucia o de un modelo estadístico súper sofisticado, al final del día, estamos informando una decisión.

¿Cuántas personas están viendo nuestro sitio web en dispositivos móviles?

¿Qué descuento debo ofrecer a este cliente?

¿Quién es probable que abandone?

Las decisiones son tan fundamentales para nuestro trabajo que a veces nos olvidamos de reconocerlas antes de iniciar un proyecto de datos. Asumimos que está integrado en todo lo que hacemos, por lo que cuando el equipo de producto hace una pregunta como: "¿Qué productos se compran comúnmente juntos?" es natural saltar directamente a averiguar qué datos necesitamos, qué enfoque es mejor, etc. Es una pregunta sencilla y el trabajo con los datos puede ser divertido. ¿Cómo deberíamos visualizar los resultados? ¿Qué pasa si los patrones han cambiado con el tiempo? Nos sumergimos en los datos sin tomarnos el tiempo para comprender realmente (quiero decir realmente) la decisión que estamos tratando de informar.

El diablo está en los detalles, y los detalles son lo que importa aquí. Sin una comprensión de cómo se utilizarán los datos, no estamos en condiciones de dar las respuestas correctas.

"Si tuviera una hora para salvar el mundo, dedicaría cincuenta y cinco minutos a definir el problema y solo cinco minutos a encontrar la solución". - Albert Einstein

La pregunta magica

Afortunadamente, no necesitamos dedicar todo nuestro tiempo a definir el problema. Aquí está una pregunta simple que llegará al corazón de cualquier solicitud de datos en cuestión de minutos:

"¿Qué decisión estás tratando de tomar?"

Subtexto: ¿Qué acción tomará una vez que tenga las respuestas?

Si no hay acción, entonces no habrá impacto. Esta pregunta eliminará todo el desorden y se dirigirá directamente a la acción.

¡Y la respuesta puede ser MUY reveladora! Por eso es tan poderoso.

¡Una buena respuesta es específica! Casi de inmediato, debería poder imaginarse lo que harán una vez que vean los datos. De lo contrario, es una señal para hacer una pausa y analizar la pregunta antes de siquiera pensar en los datos.

Una buena respuesta suena así:

• "Necesito saber qué clientes es probable que abandonen porque quiero enviarles $ 10 en créditos de lealtad para salvarlos".
• "Necesito saber cómo segmentar a nuestros clientes porque quiero construir una audiencia similar basada en nuestros clientes de mayor valor".
• "Necesito saber el día de la semana con las tasas de apertura más altas porque quiero saber cuándo deberíamos enviar correos electrónicos para lograr la mayor participación".

Estas respuestas son específicas y tienen una acción clara en mente. Está claro que la acción cambiará según lo que digan los datos. Desafortunadamente, no todas las respuestas comienzan como buenas respuestas.

Aquí hay algunos ejemplos de banderas rojas a tener en cuenta:

1. Respuestas que suenan específicas pero no lo son.
   Tenga cuidado con las respuestas que suenan específicas pero que no lo son. "Necesito segmentar a nuestros clientes para poder personalizar sus correos electrónicos". ¿Qué significa eso? ¿Cómo personalizarán el correo electrónico? Podríamos saber que el equipo de correo electrónico solo quiere actualizar las líneas de asunto para mejorar las tasas de apertura. Esa información puede cambiar todo el análisis.
2. "Sabré qué hacer una vez que vea los datos".
   Esto suele ser una señal de que no hay un plan de acción. Por lo general, estas respuestas conducen a situaciones muy comunes en las que un análisis es interesante pero no procesable. Si escuchas una respuesta como esta, te recomiendo que analices algunas hipótesis con tu colega: "¿Qué harás si los datos dicen ¿X? ¿Y si dice S? " Me encanta este ejercicio porque les permite a ambos echar un vistazo al futuro donde tienen las respuestas, pero aún no saben qué hacer al respecto. La mayoría de las personas tienden a idealizar lo que los datos pueden hacer por ellos, por lo que puede ser decepcionante cuando obtiene el análisis, pero no resuelve ninguno de sus problemas. El juego de los hipotéticos ayuda a que todos vuelvan a la realidad y sean prácticos sobre lo que se puede lograr con los datos.
3. "Una vez que sepa la respuesta, podré preguntar {insertar pregunta de seguimiento}."
   Más preguntas son geniales, siempre y cuando eventualmente conduzcan a una acción. Un sinfín de preguntas simplemente conducen a más aprendizaje, y el aprendizaje es genial, pero no es lo que dirige una empresa: las decisiones lo hacen. Para respuestas como esta, siga el rastro de preguntas para ver si eventualmente puede llegar a una acción: "¿Qué planea hacer una vez que responda la pregunta de seguimiento?"
4. "No lo sé."
   Un analista de datos capacitado generalmente puede detectar una pregunta sobre datos que no va a ser procesable, pero puede ser difícil ayudar a otra persona a verla de la misma manera. Preguntar a las partes interesadas cómo los datos cambiarán su decisión es una excelente manera de ayudarlos a ver que su pregunta sobre los datos no les dará los resultados que están buscando. Haga la pregunta mágica con la suficiente frecuencia y seguramente obtendrá algunos "No sé". Cuando esto sucede, es una gran oportunidad para reiniciar. Es mucho más fácil comenzar con una decisión y averiguar los datos que necesitará para informarla que al revés.

La próxima vez que alguien se acerque a usted con una solicitud de datos, recuerde la pregunta mágica. Y recuerde, una mala respuesta no significa que se acabe el juego. Debería ser un punto de partida para llegar a la pregunta final sobre mejores datos. Un analista de datos capacitado siempre detectará el problema real y comprenderá la decisión real antes de comenzar cualquier proyecto. Esto marca la diferencia entre un proyecto de datos que es simplemente "interesante" y un proyecto de datos que genera un impacto.

Original. Publicado de nuevo con permiso.

Relacionado:

• Cuando los buenos análisis de datos no ofrecen los resultados esperados
• Cómo ser un científico de datos 10x
• Lo que todo científico de datos necesita aprender de los líderes empresariales