Conversación con Cristina Bellido

Soy licenciada en Administración de Empresas por ESADE y PhD en Economía por la University of Chicago. Llevo más de 20 años trabajando en el sector financiero, centrada en la explotación de datos para aportar valor a las compañías. En estos momentos, soy la directora de Data Analytics de Vidacaixa, una empresa que ha apostado fuertemente por conseguir que los datos sean un activo estratégico.

Aunque estudiaste Administración y Dirección de Empresas en ESADE has desarrollado casi toda tu carrera profesional liderando equipos de Analytics ¿En qué momento te diste cuenta que lo tuyo era Data & Analytics? 

En Chicago, trabajando para una consultora que explotaba datos masivos del mercado farmacéutico para identificar argumentos sólidos en un litigio de competencia desleal. Vi como 2 líneas de código podían transformar completamente la visión que teníamos de lo que estaba pasando. Ya nunca me desenganché.

Y desde esos primeros días en los que empezaste a trabajar en Data & Analytics hasta a la actualidad ¿qué grandes cambios ha vivido nuestro sector? 

Hemos pasado de ser los “frikis raritos” a empezar a ser referencia en los centros decisores de las empresas. La tecnología de almacenamiento y explotación de datos, así como las metodologías de análisis también han evolucionado y lo van a seguir haciendo. No obstante, lo esencial no ha cambiado. El dato por sí sólo vale poco, lo relevante es saber qué uso le vas a dar al dato.

En todos estos años ¿cuál o cuáles han sido tus grandes aprendizajes? Me gustaría que me hablaras de tu aprendizaje más dulce y también que hicieras referencia a alguno más amargo

El aprendizaje más amargo es ver como el mejor modelo que has hecho nunca se tira a la basura porque no puedes, no sabes o no quieren industrializarlo. Data Analytics es una pieza más en los procesos de comercialización, gestión y decisión de las empresas. Si no estás en esos procesos, no consigues el objetivo.

El más dulce ha sido el feedback recibido por las personas a las que hemos ayudado a hacer upskill en sus habilidades analíticas. No tiene precio ver cómo cambia su cara cuando los datos que les ayudan a tomar decisiones están a un click mientras que antes su tiempo se dedicaba íntegramente a crear el dato. Una vez entran en este mundo, la forma de explotar los datos y las preguntas que se hacen ya son totalmente distintas, la velocidad a la que puedes transformar las compañías se acelera.

Llevas ya tiempo liderando equipos de Analytics. ¿Qué perfiles crees que son necesarios para que una organización le pueda sacar valor al dato? Aquí te pediría también que me dieras tu propia definición de lo que es un Data Scientist, un Data Engineer y el resto de perfiles, porque en cada organización las definiciones son distintas

En el sector cada persona usa definiciones diferentes. Más que hablar de roles, hablemos de funciones:

-  Infraestructura y datos: En esta función están los Data Architects y Data Engineers. Los primeros diseñan dónde y cómo se van a guardar los datos para que se puedan explotar de forma eficiente, los segundos de que los datos se carguen y estén a disposición del usuario.

- Modelización y análisis avanzados: En esta función tenemos Data Analysts y Data Scientists. Los primeros son especialistas en extraer insights de los datos, los segundos aplican técnicas de modelización e Inteligencia Artificial para transformar los procesos o el negocio.

-  Industrialización, MLops: en este grupo tenemos perfiles tipo Data Engineer, que van a poner en producción los casos de uso o proyectos desarrollados por los Data Analysts o los Data Scientists

Pero además, necesitamos otros perfiles nuevos y crecientes:

- Translators: aquellas personas que saben lo que pueden hacer los datos para cada negocio, y traducen las necesidad de negocio en un proyecto analítico que pueda ser desarrollado por los tres pilares anteriores

- Data Visualitzation specialists: diseñadores que saben cómo mostrar los datos para extraer todo el valor del mismo

Uno de los aspectos más ingratos del trabajo de Analytics es asegurar la calidad del dato. ¿Cuál es tu consejo para una organización que tenga que mejorar la calidad del dato?

Es verdad que es poco agradecido, pero si nos regimos por la máxima: ‘garbage in – garbage out’, entenderemos que es un tema imprescindible para aprovechar el potencial de Data Analytics. La clave está en asegurar la calidad en el momento de la creación del dato. Y entenderlo como una función continua e incremental de acompañamiento al Data Analytics.

Termina esta frase. “Un buen modelo predictivo es aquel que….”

Se usa.

En mi carrera he visto como los mejores modelos predictivos desde un punto de vista analítico se quedaban en un cajón, mientras que modelos más modestos bajo métricas de predictividad conseguían éxitos enormes por estar bien integrados en los procesos de negocio.

Una pregunta capciosa. ¿Analytics debe ser una función independiente dentro de una organización o debe depender de una de las áreas de negocio? 

Lo tengo claro, debe ser una función independiente y transversal, con dependencia del CEO y con presencia creciente en los comités de dirección. ¿Por qué? Porque Analytics puede transformar completamente tu negocio o tu sector, es un área estratégica que debe incorporarse a los órganos de toma de decisión de las empresas. Pero el perfil que lidere esta posición debe ser una persona híbrida, con conocimiento de negocio y de Analytics, alguien que sea capaz de capturar todo el potencial de Analytics para dicha empresa.

En todos estos años, has realizado muchos proyectos de Analítica de Cliente. ¿Cuándo crees que este tipo de proyectos aporta más valor? ¿Qué aspectos son más importantes para asegurar el éxito de un área como Customer Analytics?

En aquellos sectores en los que la capacidad de decisión del cliente es creciente y la personalización del producto y la experiencia son cada vez más importantes. Un área de Customer Analytics debe trabajar muy cercana a los responsables del negocio; mi recomendación es empezar con poco e ir construyendo a partir de ahí.

¿Cuál es la parte más satisfactoria de tu trabajo? ¿Y la que menos?

La más satisfactoria es mejorar la forma en que se toman las decisiones en la empresa, y ayudar a los empleados a transformar su día a día.

La que menos, saber adaptar los proyectos a las restricciones regulatorias que van apareciendo.

Si miramos al futuro ¿qué grandes cambios o retos vivirá el mundo de Analytics en los próximos 2-3 años? 

Creo que vamos a ver una escasez enorme de profesionales, lo que llevará a luchas por el talento. 

Veremos el crecimiento de la figura del Chief Data and Analytics officer en las compañías y una mayor presencia de este rol en los Comités de Dirección de las empresas.

Y también una carrera entre compañías para poder extraer valor de Analytics y ser el ‘ganador’ que aprovecha la ventaja estratégica. Algunas compañías van a cambiar su modelo de negocio y empezarán líneas de negocio basadas en sus datos, como un nuevo producto.

Adivinar el futuro no es fácil, pero todo esto ya lo tenemos hoy aquí. Lo que preveo es una aceleración del cambio

A más largo plazo, tengo claro que analytics va a permear todos los roles de una organización, y cualquier empleado sabrá codificar y explotar datos con tecnología avanzada. Igual que hoy saben encender un ordenador.

¿Qué es para ti la Inteligencia Artificial? 

Cualquier metodología que pueda mejorar un proceso de decisión humano: un algoritmo, un proceso de identificación de imágenes, voz o texto, un modelo de autoaprendizaje. IA lo engloba todo.

¿Cómo les explicas a tus hijos en qué consiste tu trabajo? 

 Me cuesta. Ayudar a la empresa a mejorar la toma de decisiones a partir de los datos.

¿Cómo te mantienes al tanto de las grandes tendencias y cambios en nuestro campo?

Workshops, cursos y contacto con proveedores y colegas, principalmente. Aunque con el boom del Data Analytics, el volumen de información y eventos se ha incrementado muchísimo. Es difícil encontrar foros en los que haya novedades relevantes.

Recientemente entrevisté a Didac Fortuny (Data Scientist en Adevinta) y le pedí que lanzara una pregunta para la siguiente persona a entrevistar. Su pregunta fue: ¿Crees que el boom de la explotación de los datos y de la ciencia de datos ha venido para quedarse? ¿O se verá pronto reemplazado por otras disciplinas disruptivas? 

Creo que ha venido para quedarse, los que llevamos muchos años en esto sabemos que antes de éste hubo otros booms con otros nombres que eran esencialmente lo mismo (CRM, Big Data….). Pero creo que va a evolucionar y se va a convertir en una skill básica que tendrá el 90% de las plantillas.

Mi visión es que las técnicas IA se acabarán integrando en los procesos de la compañía como ahora lo hace el Excel o el Word. Lo relevante no va a ser el modelo (que se convertirá en un commodity y habrá muchos softwares que elegirán el mejor modelo según los datos y lo que se desee modelizar), si no cómo integras el modelo en tus procesos.

Y tú ¿qué pregunta le harías a la próxima persona entrevistada?

¿Crees que los modelos de IA con autoaprendizaje van a ser mayoritarios en el corto plazo? ¿En qué horizonte?