Terminaba la primera parte de esta historia con la pregunta de cómo podíamos acelerar la normalización de datos en los entornos de BigData de toda nuestra empresa, y comienza esta parte centrándome justo en esa parte. En algo que dibujé por primera vez en una servilleta de un Restaurante Tailandés en Las Tablas donde disfruté buenas cenas, y que más tarde convertí en una burda presentación. Y por supuesto, a la que puse un nombre muy curioso "La estrategia de la Margarita".

Figura 6: Una historia de la estrategia Data-Centric para ser Data-Driven Decisions: Parte II - "La Estrategia de la Margarita"

Tal vez suene un poco raro eso de utilizar algo como una margarita para describir lo que quieres construir con tecnología, pero lo cierto es que empresas tan grandes el entorno siempre es cambiante, el avión está en marcha, y no puedes pararlo para construir en una mesa en blanco. Cada país es como un pétalo que se mueve al ritmo que se mueve la compañía. Y tienes que construir con ese ritmo, ese balanceo, y con lo que ya tienes allí. Como hacer un castillo sobre una flor. Una bonita metáfora que explica cómo hay que surfear el viento.

La estrategia de la Margarita "in a nutshell"

Tras debatir durante semanas en el verano de 2016 toda esta visión que os estoy contando, me decidí por algo que llamé "La estrategia de la Margarita". Sí, a mí también me hizo gracia el nombre. Pero me ayudó a explicar a las personas relevantes del grupo lo que necesitábamos hacer para dar un salto en la globalización de la estrategia Data-Centric de la compañía.

Como os había dicho, en muchos rincones de Telefónica llevaban años utilizándose las soluciones BigData con scripts y algoritmos de Machine Learning que se utilizaban en informes, en campañas, en acciones concretas. Tenemos datos y algoritmos corriendo en todos los rincones haciendo tareas de Analítica Descriptiva, Analítica Predictiva y Analítica Prescriptiva, pero cuando un caso de uso funcionaba muy bien en un país, casi había que hacerlo desde el principio para que funcionara en otro. Solo trasladábamos el conocimiento del algoritmo, y teníamos a compañeros viajando de país en país.

Casos muy importantes como la elección de los lugares donde se despliega una antena de comunicaciones 3G o 4G es algo que en algunos países se había estado haciendo desde hace años, evolucionando desde sistemas de puro Business Intelligence en redes anteriores, hasta la toma de decisiones con técnicas de Machine Learning que daban resultados prescriptivos, pero copiarlo de un país a otro era casi como rehacerlo. ¿Por qué? Por la normalización de los datos.

Teníamos que conseguir que los algoritmos corrieran en todos los países de la misma forma y para ello necesitábamos normalizar los datos. Mismo tipo de datos, para misma pieza de información. No importa el rincón del mundo donde se genere. Y para ello había que incentivar la normalización en los equipos de BI & BigData de cada rincón de nuestra empresa. Así que tomamos la segunda parte de nuestra estrategia Data-Centric del mapa inicial.

Figura 7: "Digital Command Centre"

Como se puede ver, en cualquier organización, el camino para ser Data-Centric consiste en un proceso muy similar. Primero hay que conseguir tener Profesionales de los Datos, es decir, Ingenieros de Datos, Analistas de Datos y Científicos de Datos, que permitan descubrir qué datos se tienen, cómo se pueden obtener, qué nos están diciendo y cómo sacar el valor a los insights que se generan.

Después se deben convertir en herramientas y procesos automáticos dentro de la compañía que formen parte del día a día de la compañía. Normalmente, scripts que se ejecutan como partes de tareas concretas que han sido escritos en Lenguaje R o en Python, para que al final se conviertan en herramientas utilizadas por los empleados de forma natural o se metan en el core de procesos automatizados que se ejecutan muchas veces, sin que ni tan siquiera los profesionales que usan las herramientas tengan que saber que lo que corre por detrás cuando hacen un clic es un algoritmo de Machine Learning o un proceso de Deep Learning.

Cuando dentro de las herramientas de trabajo que utiliza una persona de marketing, de ventas, de planificación de red, de producto, de gestión financiera, etcétera, se están utilizando tecnologías que sacan lo máximo de tus datos con algoritmos de Inteligencia Artificial, entonces estás en una situación en la que tu compañía es Data-Driven Decisions.

Nosotros en Telefónica ya teníamos muchos procesos automatizados en muchos de los rincones del grupo. Hay que tener en cuenta que como parte del proceso de aceleración de la estrategia de ser Data-Centric, en el año 2015 se adquirió la compañía española Synergic Partners, una empresa líder en el mundo de las tecnologías BigData y habíamos hecho muchos proyectos en todo el grupo, además de trabajar muchos años con los equipos de BI & BigData en las operaciones con otros partners. Así que decidimos acelerar el proceso con la creación de herramientas automatizadas e integradas en los procesos de negocio como forma de incentivar la normalización de los datos.

Figura 8: Telefónica adquiere Syngergic Partners en Noviembre de 2015

Ese gráfico que os pongo muestra un poco la idea. En cada operación - cada una de nuestras queridas Telefónicas - dejaríamos que eligieran cómo querían montar el nuevo entorno. Podrían evolucionar los entornos que ya tuvieran, o crear nuevos en instalaciones "on-premise", nubes híbridas o nubes públicas. Lo único que sería obligatorio es que los datos en estos nuevos entornos deberían estar normalizados con un modelo de datos global y común.

Este modelo, al que llamamos URM (Unified Reference Model), sería sobre el correrían las herramientas que crearíamos desde global. Estas "joyas" que pintaba yo en mi gráfico en 2016 son herramientas automatizadas que sacan utilizan algoritmos de Machine Learning y Deep Learning para integrarse en los procesos de negocio. Joyas que serían para uso interno, joyas que serían para negocio, y joyas que serían para devolver al usuario el control de sus datos. Algo que desde el principio estaba en nuestro objetivo.

Figura 9: El primer dibujo que hice yo con el PowerPoint para explicar "La estrategia de la margarita"

Por supuesto, así comenzamos a trabajar y normalizamos casos de uso para el despliegue de redes utilizando técnicas de Machine Learning, para análisis del Churn, para Analizar el valor de los servicios en los paquetes de clientes, para generación de ofertas más ajustadas, etcétera. Casos de uso internos que solo funciona con datos normalizados en formato URM.

La estrategia de la margarita se convirtió en la parte fundamental de la unidad CDO en el verano del año 2016 y un equipo se centró solo en normalizar datos con URM, mientras que otro se dedicó a la creación de casos de uso, "Las Joyas", para acelerar el proceso cuanto antes. Mientras tanto, el equipo de UX y diseño, no conforme con el diseño que había hecho yo, construyó una versión más "sexy" de "La estrategia de margarita".

Figura 10: Diapositiva de "La Estrategia de la Margarita" que se ha usado para explicar el proceso

Con esta estrategia, que seguimos desplegando hoy en día, país a país, y que nos sirve para medir los porcentajes de datos de la compañía que vamos normalizando, comenzamos a andar, pero no era suficiente por varios motivos:

1) En el grupo queríamos acelerar la construcción de una unidad B2B de BigData que completara nuestra oferta de servicios digitales de IoT, Cloud, Seguridad, Coms y NewComs, así que había que construir una unidad al estilo de ElevenPaths. 

2) Había que construir los casos de uso de para darle el control al usuario. 

3) Había que trabajar en casos de uso que se hicieran con terceros.

De hecho, cuando le presenté "La Estrategia del Margarita" al jefe un viernes por la tarde se quedó frío. Ni fu, ni fa. Le faltaban muchas cosas. Le faltaba la parte en la que los usuarios pudieran interactuar con la red. Y me fui de su despacho pensando, pensando, pensando. Me pasé todo el fin de semana pensando. Haciendo un análisis de todas las reuniones que había tenido en el último año para entender qué es lo que estaba buscando. Qué estaba en su mente y se me había escapado. Hasta que se me iluminó la bombilla.

Al lunes siguiente, cuando hago mis comités de trabajo semanales con mi equipo, llegué con la idea clara de lo que teníamos que construir para hacerlo. Había visto algo una tarde de verano días atrás y fue la pieza que me inspiró para la parte que me quedaba. Y lo metí en mi proceso. Eso que había que añadir a la estrategia es algo que llamé YoT y refiné un poco las piezas para dar con la solución completa, que fue lo que presenté a mi equipo pintando en una pizarra en mi despacho de Frozen. Dibujar, eso es sí que es algo que siempre me ha encantado: Dibujar. Os lo cuento en la próxima entrada.

Saludos Malignos!

PD: Como curiosidad, durante semanas en Telefónica, los compañeros se cruzaban conmigo y me decían "Chema, me han hablado de ella, pero yo aún no he visto tu margarita, a ver si me la enseñas".  Reconozco que la "Daisy Flower Strategy" podía haber sido bautizada con otro nombre.