Telefónica, un “banco” para tus datos

Con la presentación de Aura, Telefónica pone al cliente y sus demandas de inmediatez y personalización en el centro, no ya de la propia operadora, sino de un potencial ecosistema de empresas que ahora podrán orbitar en torno a ella.

Este es el escenario competitivo que se perfila en la economía del dato. Las reglas del juego, con la inminente directiva sobre protección de datos – GDPR-, ya están definidas: privacidad por diseño, trasparencia, control y propiedad del usuario sobre sus propios datos.

Así las cosas, los datos son del usuario y este puede llevárselos o traerlos, según se mire, donde quiera. En este sentido, Telefónica podría convertirse en un “banco” de datos para sus clientes. Por ejemplo, actualmente un usuario puede autorizar a la operadora para que “transfiera” sus datos de localización a una entidad financiera para evitar el uso fraudulento de una tarjeta de crédito.

Este tipo de servicios hoy son marginales, pero en la economía del dato tenderán a proliferar y el usuario va a necesitar un lugar centralizado donde guardar sus datos y gestionar sus “transferencias”.

Pero como banco, no sólo podrá realizar transferencias sino también recibirlas. Especulemos juntos sobre este punto: ¿Qué servicios podrá construir telefónica con nuestros datos financieros, de navegación por internet, de terceras empresas? Nuestros datos hoy están fragmentados y distribuidos, pero ¿qué sucederá si alguien, pogamos Telefónica, fuera capaz de centralizarlos en un único sitio?

Pues para empezar podría adquirir un mayor conocimiento sobre nosotros y, gracias a la inteligencia artificial que hay detrás de Aura, permitir una personalización a escala y eficiente de los servicios que presta. Una inteligencia que cuantos más datos la alimenten obtendrá un modelo más preciso de quienes somos y que queremos, llegando a anticipar, por qué no, nuestros gustos y necesidades.

Durante su presentación José María Alvarez- Pallete repitió varias veces que estaban entrando en terreno desconocido, que entraban en la era cognitiva. Así, Aura es un primer paso de algo que no sabemos bien dónde les llevará. De momento, nada parece indicar que crearán un mercado de datos, no con los datos de sus clientes particulares, pero qué pasa con sus clientes corporativos.

Lo que sí que sabemos es que Telefónica está donde tiene que estar: centrada en el cliente y no en sus productos, anticipándose a una regulación exigente pero que sienta las bases de la economía del dato y escapando del círculo vicioso de mayor inversión y menores precios de su actual mercado de referencia. Ahora sólo falta que sus clientes encuentren un valor diferencial en esta apuesta de futuro del operador.

Telefónica ha movido ficha, ¿qué harán el resto de operadores?

Big Data y “la inflación verdadera”

El origen de “la inflación verdadera” se remonta al año 2007 en Argentina. En esta época, el Fondo Monetario Internacional había manifestado su desconfianza en las cifras oficiales que el Gobierno argentino publicaba sobre su tasa de inflación. Además de existir un problema de credibilidad, el país se encontraba en un momento de hiperinflación, de tal forma que para cuando se publicaban las cifras oficiales, con unos meses de retraso, la información ya había caducado debido al efecto acumulado de unos precios que cambiaban diariamente.

Por entonces, un doctorado de la MIT, Alberto Cavallo, presentó una tesis doctoral con un método alternativo para calcular el IPC: recoger precios de múltiples comercios online y aplicar técnicas de Big data con el objeto de estimarlo. Este método se aplicó al caso de Argentina, en un proyecto que se denominó “la inflación verdadera”. Como cálculo alternativo que era, terminó mostrando discrepancias con las cifras oficiales. Por ejemplo, mientras que en algunos periodos de 2008 las cifras oficiales situaban el IPC en un 8%, “la inflación verdadera” llegaba a alcanzar el 20%.

Sin entrar en qué método se ajustaba más a la realidad – el trabajo de Cavallo, apuntaba a una manipulación de las cifras oficiales-, el índice alternativo ofrecía dos ventajas: uno, su publicación era instantánea y; dos, realizaba buenas predicciones al utilizar la última información disponible.

Lo que empezó siendo un proyecto nacido de una tesis doctoral, hoy es una Spin-off de la MIT (Price-Stat) que cubre distintos países con indicadores tanto sobre su inflación como sobre el poder de paridad de compra – ¿Recuerdan el índice Big Mac?-.

Este índice de precios online ha adquirido una especial relevancia en Argentina que durante los seis primeros meses de 2016 dejó de ofrecer cifras oficiales sobre la evolución del IPC. Durante este tiempo, si alguien quiso tomar decisiones empresariales considerando el efecto de la inflación tuvo que recurrir a índices como “la inflación verdadera”.

Quizá este sea un ejemplo extremo. Aunque puede que, paradójicamente, sin pretenderlo Argentina haya liderando el necesario cambio que los indicadores macroeconómicos necesitan: aprovechar la proliferación de canales de venta online y Big data para desarrollar métodos alternativos que promuevan, para empezar, una mayor transparencia. Pero cuyas consecuencia van más allá: ¿Se romperá el monopolio de información de los Gobiernos en torno a los indicadores macroeconómicos? ¿Reflejarán los métodos alternativos su evolución con mayor precisión? ¿Aumentará la granularidad y frecuencia de la información disponible? ¿Se crearán nuevos indicadores?¿Harán uso de los nuevos indicadores las agencias de calificación?… ¡¿Dejaremos de fallar sistemáticamente en nuestras predicciones sobre la evolución de la economía?!

Sea como fuera, la irrupción de Big Data en el cálculo de los indicadores macroeconómicos ya no se puede ignorar. Es perentorio que se produzca su asimilación. Sobre todo ahora que los canales de venta online proliferan y las empresas redefinen su estrategia de precios en torno a los mismos.

Para tirar del hilo:

Estadísticas de Price-Stat sobre la evolución de los precios británicos

Sobre Alberto Cavallo

Sobre la medición de la inflación mediante precios online en Argentina (Académico)

Sobre la discrepancia entre cifras oficiales e índice de precios online argentinos

Sobre el proyecto “A billion prices Project

Sobre el índice Big Mac

Sobre Stat-Price

Sobre la Reanudación de la publicación de cifras oficiales de IPC en Argentina

Sobre las presiones para cambiar los indicadores macroeconómicos

Sobre la redefinición de la estrategia de precios de las empresas

El futuro pasa por Blockchain

Aunque todavía en los mentideros del mundo tecnológico, el debate sobre Blockchain se está desplazando paulatinamente a sus casos de uso. Actualmente existen fuertes expectativas sobre lo que podrá hacer y su propuesta de valor como mecanismo para establecer confianza, ya sea sustituyendo los mecanismos actuales o creándola donde no existe, comienza a clarificarse.

La importancia de la confianza para el funcionamiento de la economía es incuestionable. Todo sistema económico se sustenta sobre ella, sea ésta informal o institucional. Pudiendo argumentarse que gran parte del desarrollo económico se debe a nuestra capacidad para generarla más allá de nuestro entorno cercano.

Por eso Blockchain nos interesa a todos, porque es, ante todo, un nuevo mecanismo para crear confianza. Y lo hace eliminando la necesidad de que intervenga un intermediario. Así, la propiedad de esas tierras, los derechos de autor de esa canción o la titularidad de esa acción no requiere de un tercero que verifique la identidad de las partes y confirme su capacidad para llevar a cabo el intercambio. Aquí todo descansa en una comunidad de agentes, a priori anónimos, que actúan por consenso para alimentar un registro único con el estado en el que se encuentra cada activo.

Su origen hay que buscarlo en un breve documento que apareció a finales de los 90s con el título “The God protocol”. En éste se describía un protocolo diseñado para que la confianza necesaria en los intercambios entre agentes económicos no tuviera que descansar sobre intermediarios.

Una década más tarde, durante el colapso financiero de 2008, irrumpe en el mercado una moneda digital inspirada en este protocolo: los bitcoins. Una moneda que permite el intercambio directo – peer to peer – entre personas o empresas. El sueño de crear una red de valor comienza a tomar forma. Y la tecnología que lo hace posible es blockchain.

Simplificando, esta puede verse como una base de datos distribuida que permite registrar cada transacción de forma indeleble, pública y vinculada a su estado precedente, de tal forma que es posible tener una trazabilidad con total trasparencia, de forma segura y eficiente.

Aunque estrechamente vinculada a las monedas virtuales – su “killer application” -, esta tecnología puede utilizarse para hacer seguimiento de cualquier activo: contratos, certificados, patentes, titulaciones, votaciones, licencias, etc. Se trata, en definitiva, de la construcción de un “Internet” de valor en la que los derechos sobre distintos activos pueden ser intercambiados, sean estos financieros, físicos o intelectuales.

La analogía con Internet es clara en el sentido de que es una red descentralizada, pero la analogía termina ahí. Mientras que en Internet intercambiamos copias de contenidos, en blockchain cuando alguien “envía” algo – ej. Un contrato- no es la copia lo relevante sino más bien su registro en dicha base de datos distribuida.

Los primeros en darse cuenta de su potencial han sido las instituciones financieras, quizá porque las monedas virtuales las obligaron a estudiar a fondo el fenómeno para concluir que, si bien dichas monedas eran una amenaza, aprovechar la tecnología subyacente representaba una oportunidad para incrementar su eficiencia. Hoy ya existen pilotos dirigidos a utilizarla en pagos transfronterizos. Pero esto es solo la punta de un iceberg.

Que nadie se equivoque, blockchain va más allá del sector financiero. De hecho, ya hay voces que apuntan que no será esté sector el primero en adoptarla. En cualquier caso, no hablamos de una adopción inminente, sino que habrá que esperar unos años.

Sin embargo, es hoy cuando su futuro se está decidiendo. Los principales bancos del mundo – incluso los bancos centrales-, los grandes de la industria TIC y un innumerable número de startups han comenzado a posicionarse. Estas últimas nos dan una pista de por dónde podría comenzar a adoptarse. Por ejemplo, algunas apuestan por que blockchain hará posible que, cuando todos esos objetos de IoT estén conectados, puedan realizarse intercambios económicos de forma autónoma.

Pero lo cierto es que hoy muy pocas personas en el mundo, sí alguna, son capaces de leer con claridad el futuro de blockchain. Quedan muchas incógnitas por despejar. Por ejemplo, ¿será escalable esta tecnología ante una eventual adopción masiva? O ¿dominarán las grandes corporaciones, mediante sistemas privados, su evolución?

Sea como fuera, lo que sí que sabemos es que si eficientamos los mecanismos de generación de confianza o creamos confianza donde no existe, estaremos tocando el corazón de nuestro sistema económico.

La confianza permite que las personas hagan negocios y estos al hacerlo generan riqueza. Por eso blockchain encierra la promesa de una nueva era de prosperidad.

 

PD. Este artículo ha sido previamente publicado en ITuser

Privacidad diferencial, reforzando la confianza para impulsar la economía del dato.

La explotación de datos personales representa una gran oportunidad. Por ejemplo, ahora podemos recoger información precisa sobre nuestros estilos de vida para estudiar cómo se relaciona con distintas enfermedades, lo cual nos permitirá movernos hacia una medicina preventiva. También podemos analizar nuestros desplazamientos para mejorar el tráfico de las ciudades… Además, como consumidores, las marcas podrán cubrir nuestras demandas de inmediatez y personalización o recomendarnos que producto elegir en un mercado que se caracteriza por una oferta abrumadora.

En definitiva, podemos encontrar soluciones a retos complejos explotando un recurso que ahora es abundante: los datos personales.
El lado oscuro de la explotación de estos datos es que, aunque un dato aislado parezca inocuo, cuando se combina con otros datos y se pasa por el tamiz de los algoritmos el resultado puede ser intrusivo, discriminatorio o excluyente.  Por ejemplo, hay un caso que ha alimentado la imaginación de los directores de marketing de los grandes supermercados sobre lo que pueden llegar a saber de nosotros. Se trata de un hombre que se entera por el cajero del supermercado de que su mujer está embarazada. Y el supermercado lo sabe no porque se lo haya dicho la mujer, sino porque han analizado sus hábitos de compra, sus búsquedas, etc. Lo que este ejemplo nos dice, es que todos esos datos pueden revelar información que no queremos hacer pública como nuestra orientación sexual, creencias religiosas, ideología política…

El problema de fondo no es tanto que cedas tus datos, sino cuál es el uso que se va a hacer con ellos cuando los transformen en información unos algoritmos que para el común de los mortales son magia.

Partimos de que no hay marcha atrás, que toda esa tecnología que nos facilita la vida, y a la que no pensamos renunciar, también deja un rastro de datos personales susceptibles de ser explotados. La pregunta relevante por tanto es: ¿cómo conseguir los beneficios sin que se produzca una pérdida de privacidad?

Algunas empresas, en el mejor de los casos, buscan anonimizar los datos eliminando información que pueda identificarnos. Esto en general es suficiente. Pero, dependiendo de la naturaleza de los datos que se manejen, habrá que ir un paso más allá. Hay una anécdota de un gobernador de Estados Unidos que, tras impulsar una ley para anonimizar datos médicos, recibió a los pocos días una carta con su historial médico en el buzón. Alguien, combinando su código postal con otros datos, había sido capaz de identificarlo.

La buena noticia es que se trata de un problema conocido y durante los últimos años se ha trabajado sobre ello. Así, desde 2005, se han producido avances en una disciplina estadística que busca maximizar la información de un grupo de individuos minimizando el conocimiento particular de cada uno de ellos. Aplicado al caso que nos ocupa es lo que se denomina “privacidad diferencial”. Y esta aproximación es la que permite, por ejemplo, que podamos ceder nuestra información genética para investigar el cáncer sin que ni tan siquiera los investigadores sepan que participas en el estudio.

Pero, ¿en qué cosiste? Nadie mejor que Cynthia Dwork, una de las mentes detrás de esta técnica estadística, para explicarlo. Supongamos que queremos saber si en la universidad los estudiantes copian en los exámenes. Para ello preguntamos a los alumnos, pero lo hacemos del siguiente modo: les pedimos que respondan a un cuestionario pero que antes de empezar tiren una moneda al aire sin que nadie les vea. Si sale cara dicen la verdad, si sale cruz vuelven a tirar la moneda… y si vuelve a salir cruz entonces mienten. Cuando todos los alumnos han llevado a cabo el cuestionario, aplicando ingeniería inversa se puede saber, con escaso margen de error, el grado en el que los alumnos copian, pero sin saber si un alumno concreto lo ha hecho.

Si trasladamos este ejemplo a la explotación de datos personales por parte de las empresas, lo que haríamos sería meter en origen aleatoriamente “ruido” – información falsa o incompleta – en los datos capturados y almacenados por las empresas. Luego, después de aplicar ingeniería inversa, podrán ser analizados llegando a unos resultados similares a los que hubiéramos obtenido sin haberlo hecho. ¿Y por qué es importante esto? Porque se alcanza privacidad de extremo a extremo. Generar datos aleatorios en origen evita que la propia empresa o un posible hacker sepa si la información almacenada sobre uno es veraz. Por otro lado, también evita que una vez anonimizada esta, podamos volver a ser identificados como en el caso del historial médico del gobernador antes referido.

La privacidad diferencial es algo que ideó Microsoft y que utilizan otros gigantes de la industria como Apple, pero no está al alcance de cualquier empresa. Se trata de un asunto candente en la industria porque afecta no sólo a aquellos que desarrollan algoritmos, que ahora deben replantearse cómo los diseñan, sino también para los que tienen la intención de monetizar el dato a través de plataformas de venta de datos, APIs o en forma de insights. Nos encontramos en definitiva con un enfoque diferente que requiere un esfuerzo significativo para aquellas organizaciones que quieran adoptarlo.

Pero más allá de soluciones ingeniosas como la privacidad diferencial, encontrar una respuesta a la difícil pregunta de cómo beneficiarnos de la información personal sin renunciar a parte de nuestra privacidad va a requerir un cambio de mentalidad por parte de todos los agentes: empresas, particulares… y reguladores.

El regulador ya ha realizado ese cambio y lo ha plasmado en la nueva ley de protección de datos –GDPR, en sus siglas en inglés- que entrará en vigor en 2018. En ella busca el difícil equilibrio entre los beneficios y riesgos de los que venimos tratando. Y lo hace razonablemente bien, exigiendo que la privacidad entre por diseño en la prestación de los servicios de las empresas o clarificando (si es que alguien tenía dudas) que los datos personales son nuestros y podemos llevárnoslos a otra parte… En definitiva, estableciendo las reglas del juego de un nuevo marco competitivo, el de la economía del dato.

Ahora es el turno de particulares y empresas. Nosotros, como particulares, debemos adquirir una mayor comprensión sobre cómo puede afectarnos la explotación de nuestros datos. No, no tenemos que saber de seguridad informática, ni ser capaces de leer unas políticas de privacidad pensadas para un abogado con mucho tiempo libre. No, al final tendremos que saber en quién podemos confiar. ¿Y en quién confiarías tú, en alguien que arroja luz sobre lo que hace o en quien la apaga?

Por eso, las empresas deben sacar su política de privacidad del pie de página donde se encuentran actualmente y elevarlas a su responsabilidad social corporativa, ser más trasparentes, dejarnos el control sobre nuestros datos, establecer un código ético que abarque también a sus algoritmos … Y con ello ganarse nuestra confianza.

Nos dirigimos inexorablemente a un mundo que pasa por la explotación de nuestros datos personales. Hagamos que sea en nuestro beneficio. La privacidad diferencial no es la panacea que resuelve todo, pero ilustra como trabajando en la construcción de una mayor confianza seguro que lo conseguimos.

 

El valor de un sistema de recomendación

En lo que para muchos será una hipérbole de la economía del dato, los responsables de producto de Netflix han valorado su sistema de recomendación en mil millones de dólares anuales.

Netflix no es Blockbluster. A diferencia de éste, posee un extenso catálogo donde uno puede encontrar el título que desee. Hay tantas películas como gustos tienen sus clientes.

Pero la abundancia de oferta, los psicólogos nos alertan, esconde una paradoja: disponer de más opciones aumenta la presión para hacer la elección perfecta, llegando frecuentemente a generar una parálisis en la toma de decisiones.

Sin ir más lejos, yo mismo la otra noche después de navegar durante 10 minutos por el catálogo de películas de mi operador me aturullé y terminé apagando la televisión. Para Netflix debo tener una paciencia infinita porque sus clientes si no encuentran algo que les interese en 90 segundos se van a otro lado.

Ofertar todo el catálogo disponible en un breve lapso de tiempo es sencillamente imposible o, mejor aún, innecesario. Tener una amplia oferta no significa que esta deba trasladarse al cliente. No si puede diseñarse una arquitectura de decisión que reduzca las opciones de forma personalizada, anticipando qué es y qué no es relevante para un cliente dado.

Así, una vez conocidos los gustos y presentada la oferta personalizada no sólo se retiene al cliente captando su atención en esos preciados segundos, sino que se abre la puerta para que Netflix rentabilice la “larga cola” de su catálogo; explotando títulos “marginales” o engrosando el mismo con aquellos que sabe que podrá monetizar.

El reto está servido: anticipar los gustos de los clientes para mostrar una oferta personalizada, y hacerlo a escala global.

Aquí entran en juego los sistemas de recomendación. Sin embargo, hacer que estos funcionen no es tarea fácil. Así, Netflix descarta que nuestros gustos vengan determinados por la edad, sexo, geografía … No, nuestros gustos son más difíciles de desentrañar.

Para ello va a ser necesario no un algoritmo, sino una familia de ellos que generen y contrasten hipótesis, que realicen testeos continuos mejorando unos modelos que disparen una recomendación en el preciso instante que los clientes interactúan con su plataforma.

No sabemos cómo Netflix ha calculado el ahorro de costes o la generación de ingresos derivados de este sistema. Pero sí lo que invierte 5000 miilones de dólares en contenidos al año – Cualquier mejora aquí…- o qué porcentaje de sus clientes utilizan el sistema de recomendación (80%) frente a las búsquedas (20%).

Pero no, no es solo un sistema de recomendación de lo que hablamos, sino también de haber resuelto un reto contemporáneo: conjugar las exigencias de inmediatez y personalización del cliente con la abundancia de opciones a su alcance. Y esto es algo que, aunque con matices, encontramos en el supermercado, en una librería,… O en una web de citas.

Netflix ha encontrado la llave que, anticipando nuestros gustos a una escala sin precedentes, reduce nuestro coste de decisión y capta nuestra cada vez mas preciada atención. Consiguiendo con ello también abrir la puerta a monetizar la “larga cola” de su catálogo al menor coste posible.

No sé cuántos millones valdrá esta llave que esconden los sistemas de recomendación. Lo que sí sé es que seguro que en manos de mi plataforma de televisión tendría menos “apagones” y vería más cine. Ya sabrán ellos cómo monetizarlo o qué costes se ahorrarán.

Lo que está claro es que Netflix sí lo sabe: ¡Mil millones de dólares cada año!

PD.1 Algunas referencias:

Responsables de producto de Netflix valorando su sistema de recomendación [Germen de este artículo]

Psicólogos alertando que “más es menos”: Entrevista de Eduart Punset a Barry Shwartz [Programa de redes]

Netflix descartando que nuestros gustos estén determinados por edad, sexo,… [Artículo]

El problema de la sobreabundacia de opciones en el caso de las webs de citas.

La cuadratura del círculo de la GDPR

En una imagen que ha dado la vuelta al mundo, aparece Hillary Clinton con la mano levantada saludando a un público que le da la espalda. Sonriendo y aceptando de buen grado que a su alrededor todos quieran hacerse una autofoto – selfie- con ella al fondo. Esta instantánea muestra cómo esa tecnología cotidiana, sin la cual ya no podemos vivir, modifica cómo nos relacionamos con nuestro entorno; generando esta situación a caballo de lo cómico y lo extraño. Una señal de que aún no terminamos de asimilar la colisión de lo digital con lo analógico.

Ya no existe un yo y un alter ego digital, ambos convergen, son lo mismo. Y esa tecnología que nos acompaña en todo momento, deja un rastro de datos susceptibles de ser explotados por las empresas para ofrecernos servicios que cubren nuestra demanda de inmediatez y personalización. Su precio es que tenemos que ceder parte de nuestra privacidad. El trato parece justo: conveniencia a cambio de privacidad. Pero, aunque un dato aislado parezca inocuo, cuando se combina con otros y se pasa por el tamiz de los algoritmos, el resultado puede ser intrusivo, discriminatorio o excluyente.

Hasta la fecha hemos vivido bajo una regulación que fue creada antes de que empresas como Facebook o Google formaran parte de nuestra cotidianidad. Pero una nueva regulación europea entrará en vigor en 2018. Y esta, a diferencia de sus predecesoras, considera que los datos son un activo esencial para la competitividad de las empresas y anticipa un uso intensivo de datos personales – Geolocalización, video, voz, etc.- por su parte, lo que convierte la privacidad en un aspecto central de la misma. Por eso exigirá que esta, la privacidad, esté por diseño en los servicios de las empresas. Pero ¿cómo respetar la privacidad al mismo tiempo que se impulsa la competitividad de las empresas? El regulador da respuesta a esta difícil pregunta, aunque entenderla requiere que particulares y empresas la observen desde una nueva perspectiva.

Como particulares tenemos que desterrar la idea de que en torno a nuestra privacidad la decisión es blanco o negro. Existe toda una gama de grises. Para ello necesitamos identificar qué factores definen nuestra propensión a ceder parte de la misma. Más allá del valor recibido a cambio, debemos considerar aspectos como la confianza, la trasparencia, el control, … Y aquí es dónde debe producirse un cambio de mentalidad: nuestro concepto de privacidad tiene que evolucionar, pero tiene que hacerlo a partir de una mayor comprensión sobre la misma para así decidir qué grado queremos tener. Esto significa que debemos preguntarnos cosas. Algunos ejemplos: ¿Está bien custodiada la información?, ¿existen medidas de seguridad que eviten su robo?, ¿quién tiene acceso?, ¿puedo borrar o modificar la información que tienen sobre mí?, ¿puedo decidir qué datos se recogen y cuáles no?, ¿puedo acceder a la información que existe sobre mí y “auditar” el uso que se está haciendo?, ¿cómo se va a beneficiar la empresa con mis datos?, ¿los va a vender o compartir con terceros? o ¿cuál es el valor que aporta a la sociedad?

Como empresas, las primeras reacciones a la ley provienen del área legal y de seguridad informática. En el primer caso interpretándola y en el segundo pensando cómo implementarla. Pero es una regulación que debe llegar al negocio porque no se trata solo de su cumplimiento, de si dará tiempo a estar preparados cuando entre en vigor, de cómo establecer prioridades o en qué circunstancias va a ser preferible pagar una multa. No, de lo que hablamos es de una regulación que establece las reglas del juego para competir en un nuevo marco, el de la economía del dato. Y es aquí donde debe producirse el cambio de mentalidad.

Por ejemplo, todos esos datos de los clientes que las empresas almacenan y analizan son de ellos y el regulador exige que se pongan los medios para que puedan portarlos de un proveedor a otro. Mientras algunas empresas siguen preguntándose cómo lo llevarán a cabo para cumplir con la regulación y evitar una posible multa, otras van un paso más allá barruntando estrategias que permitan que sus clientes traigan sus datos de otros sitios. Especulemos juntos sobre este punto: ¿Qué servicios podría construir un banco o un operador de telecomunicaciones con los datos que almacenan sobre nosotros alguno de los gigantes de internet?

Soy optimista respecto al uso que las empresas van a hacer de nuestros datos personales, que más allá de la regulación se van a autorregular, que incorporarán criterios éticos en sus algoritmos y que incluso en algún momento el uso que hacen sobre los datos de sus clientes formará parte de su responsabilidad social corporativa. También soy optimista sobre nosotros, los particulares, que adquiriremos una mayor comprensión sobre qué factores debemos considerar en la definición del grado de privacidad que queramos tener. Y, por último, creo que una vez que todos adoptemos una nueva mentalidad, la regulación sentará las reglas del juego de un nuevo mercado.

Hillary Clinton entiende que los tiempos están cambiando, que estamos fuertemente tecnificados y queremos ser los protagonistas … Pero ser el centro de atención en un mundo donde lo digital y lo analógico convergen, obliga a evolucionar el concepto de privacidad. Solo así encontraremos la llave que abre la economía del dato.

PD. Este articulo ha sido publicado previamente en El País Retina.

Analítica aplicada al empleado: ¿Revolución en RRHH?

Durante los últimos años asistimos a un fenómeno que promete revolucionar los recursos humanos de las empresas: el uso de analíticas aplicadas al empleado.

Este tipo de analíticas están siendo utilizadas para incrementar la productividad del empleado, atraer el talento, medir la satisfacción del trabajador, analizar la rotación de la plantilla, identificar como se comunican los equipos de alto rendimiento… Y es que ahora, las empresas poseen una gran cantidad de datos que provienen de todos los sistemas y comunicaciones utilizadas en la empresa por el trabajador que se combinan con otras fuentes fuera del mundo virtual.

Además, las empresas comienzan a adoptar un enfoque cada vez más vinculado al impacto en el negocio y, previsiblemente, estas analíticas saltarán las fronteras de recursos humanos y serán aplicadas por otras áreas de la empresa.

Ganancias marginales y la necesidad de medir el rendimiento.

Las analíticas del empleado han encontrado un referente en el mundo del deporte, desde el ya clásico Moneyball hasta Nadal, los ejemplos de cómo las analíticas están influyendo en la formación de equipos o en la mejora de rendimiento individual se suceden.

Siguiendo con el deporte como fuente de inspiración, Matt Parker, Head of Marginal Gains del equipo británico de ciclismo, explica algunas de las ganancias marginales introducidas en su equipo en las últimas olimpiadas que iban desde lavarse frecuentemente las manos para evitar enfermedades, aplicar alcohol a las ruedas para mejorar su adherencia, llevar la almohada con uno mismo para garantizar un buen descanso… Incluso unos pantalones eléctricos para reponerse rápidamente del esfuerzo de las carreras de semifinales. Todos estas mejoras incrementales cuando se combinan con la capacidad de los ciclistas se traducen en siete medallas de oro de las diez que había en juego.

Pero más allá de lo anecdótico – Almohadas, alcohol y pantalones eléctricos – lo interesante de este ejemplo es una ventaja que ofrece la búsqueda de mejoras incrementales: se puede medir su impacto. Lo que permite experimentar, probar, ver si funciona y, si lo hace, incorporar la mejora. Al final del día uno mide y sabe si esa pequeña mejora que ha introducido se traduce en unos mejores resultados, que mejor motivación.

Ahora bien ¿Y si aplicáramos esto mismo en la empresa?

Dentro de la empresa pueden existir distintas aproximaciones que van desde medidas concretas para mejorar la productividad de los empleados hasta el análisis de grupos de empleados para inferir mejoras globales.

Análisis del empleado: Ganancias marginales de productividad

Ahora las empresas pueden analizar el impacto de cambios en el entorno del trabajador o en aspectos específicos de su actividad para mejorar su rendimiento:

  • Cambios en el entorno: Cómo afecta a la productividad de los empleados poder dedicar tiempo a una ONG, formar parte de un equipo deportivo de la empresa, realizar programas preventivos de salud…
  • Cambios en la actividad: Están los empleados que escriben blogs más comprometidos con la empresa, cómo afecta el uso de aplicaciones colaborativas a su productividad o el tele-trabajo….

Pero las empresas no están centrándose exclusivamente en entender el impacto en la productividad de los empleados de forma individual sino en resolver problemas concretos de su actividad y para ello aplican inferencia.

Análisis de un grupo de empleados: Inferir mejoras globales.

El análisis de información sobre los empleados también permite inferir áreas de mejora para retener talento, evitar malas praxis, difundir mejores prácticas o, entre otros, construir equipos de alto rendimiento:

  • Retener talento. Un ejemplo puede ser como en las empresas de alta tecnología se utilizan analíticas para entender cómo retener los mejores ingenieros y traducir este conocimiento en construir sistemas de compensación y entornos de trabajo que aumenten su permanencia.
  • Evitar malas praxis. Aquí el ejemplo proviene de las empresas de servicios financieros que analizan por qué ciertas personas cometen fraude para entender que condiciones les llevan a cometerlo y así anticiparse.
  • Expandir mejores prácticas. Algunas empresas de distribución analizan los factores demográficos, educativos y la experiencia de los vendedores para identificar las mejores prácticas comerciales.
  • Construir equipos de alto rendimiento. En el sector de fabricación están mirando los patrones de comunicación entre distintos empleados para entender cómo los equipos de alto rendimiento utilizan estas herramientas y qué estilos de trabajo les llevan a alcanzar esos resultados.

Mirando al futuro

En síntesis, la analítica aplicada a los empleados está siendo utilizada por múltiples empresas para mejoras en la productividad individual del empleado y para resolver problemas de negocio concretos. La clave es encontrar las métricas – KPIs- que realmente son relevantes.

Lo que todos estos casos tienen como factor común es que el conocimiento generado es utilizado por la dirección de la empresa, por recursos humanos… En definitiva, por un tercero para entender mejor al empleado. Pero qué hay del propio empleado ¿Cómo le afecta?

Hay un lado oscuro en el análisis de la información que generan los empleados y es que un enfoque equivocado puede devenir en perdidas de productividad. Por ejemplo, si su uso es para escrutar al empleado observándolo al detalle sin un objetivo de negocio definido, entonces todas las bondades se desvanecen: la productividad del empleado caerá y muy probablemente abandonará la empresa en cuanto pueda.

Por otro lado, los empleados son evaluados de forma continua por la empresa por lo que introducir criterios objetivos en el fondo puede redundar en una mejor evaluación, siempre que los indicadores sean los adecuados.

En cualquier caso, en aquellas empresas que miren al futuro, que no estén ancladas en modelos de gestión obsoletos, el análisis del empleado promete revolucionar como trabajamos.

La naturaleza del trabajo está cambiando y la analítica sobre el empleado acelerará este cambio: ¿Estará el departamento de recursos humanos a la altura?