Índice ‘data-driven’: una herramienta para impulsar la transformación digital

Vivimos en un mundo donde las fronteras entre el mundo físico y digital se desdibujan. Esta situación, impulsada por el incremento exponencial de la densidad digital, o la cantidad de datos conectados asociados a organizaciones, personas y objetos¹, define un nuevo entorno competitivo caracterizado por tres fenómenos:

• “Consumerización”. Hace referencia a que la tecnología digital se ha vuelto accesible y asequible, es decir, los clientes disponen ahora de tecnología digital que hasta hace poco solo estaba al alcance de las corporaciones. Este hecho redefine la relación de las empresas con el mercado, pasando de ser unidireccional a bidireccional.

• Democratización. Alude a la reducción de las barreras de entrada en diferentes sectores como consecuencia del descenso de costes de la tecnología digital debido a la ley de Moore.

• Plataformización. Indica que las cadenas de valor lineales que tradicionalmente han estructurado las distintas industrias evolucionan a ecosistemas de información donde distintos actores contribuyen a la creación de propuestas de valor, siendo orquestados por una plataforma y redefiniendo el perímetro de las organizaciones.

En este contexto cambiante, la transformación digital que están acometiendo las empresas debe verse como un proceso continuo que no se limita a la mera adopción tecnológica. Es decir, una evolución hacia organizaciones diseñadas para adaptarse y cambiar constantemente, reconociendo que los cambios son la nueva norma. Dicha transformación impacta en tres dimensiones clave: la infraestructura tecnológica para una gestión eficiente de los datos; el modelo de negocio para la creación y captura de valor, y el modelo organizativo, que incluye nuevos procesos y capacidades organizativas³.

La transformación digital implica una revalorización de los datos como activo principal, donde las organizaciones se convierten en entidades impulsadas por los datos (data-driven) para innovar en sus modelos de negocio y procesos. Tradicionalmente, la mayoría de las organizaciones han utilizado el dato como un elemento de control en la ejecución de sus modelos de negocio. Sin embargo, en un contexto de alta densidad digital, el dato también se convierte en materia prima de los procesos de innovación⁴.

Este artículo analiza la relación entre el nivel de madurez de una organización en la utilización de los datos y su éxito en la transformación digital. Para ello me he basado, sobre todo, en un estudio en 2022 en el que participaron 161 altos directivos de diversas empresas españolas. El objetivo era conocer su opinión sobre el grado de preparación de sus organizaciones para aprovechar al máximo los datos. Esta investigación de IESE y Penteo analiza las dimensiones que giran en torno a las capacidades tecnológicas para gestionar los datos, su incorporación en el control y la innovación del negocio, así como las capacidades organizativas necesarias para convertirse en organizaciones impulsadas por los datos. Además, he complementado este material con cuatro entrevistas a directivos de Banco Sabadell, GB Foods, Transports Metropolitans de Barcelona (TMB) y Vueling.

 

De las organizaciones tradicionales a las impulsadas por los datos

Históricamente, las organizaciones han considerado los datos sobre todo como un instrumento de control para la ejecución de sus modelos de negocio, una estrategia que se denomina “defensiva”. Esta aproximación se centra en el uso de sistemas de reporting para monitorizar y gestionar la actividad empresarial de manera tradicional. Sin embargo, en el actual entorno de constante cambio y alta densidad digital, la función de los datos se ha expandido significativamente, adoptando un rol dual que mantiene su propósito defensivo, y a la vez asume uno “ofensivo”. Este último implica emplear los datos como materia prima esencial para la innovación y el desarrollo de nuevos modelos de negocio, impulsando los procesos de transformación digital⁴.

Muchas empresas aún afrontan el desafío de desarrollar una estrategia de datos coherente que abarque tanto su función defensiva como ofensiva. Esta dualidad en la función de los datos subraya la importancia de adoptar un enfoque integral y estratégico hacia su gestión, que no solo apoye la operación y el control de los modelos de negocio existentes, sino que también facilite la exploración e implantación de innovaciones y nuevos modelos de negocio. Las compañías que definen y ejecutan este tipo de estrategia se pueden considerar data-driven, o impulsadas por los datos.

Las organizaciones se establecen sobre la base de una misión y visión que definen su propósito y metas a futuro, esenciales para dirigir tanto su estrategia como el desarrollo de sus modelos de negocio. Tradicionalmente han funcionado en contextos donde el cambio era más rápido internamente que en su entorno externo, lo que les permitía adoptar estructuras bien definidas que se apoyaban en un conjunto de tecnologías, incluyendo las de la información.

Como muestra el cuadro 1, en las organizaciones tradicionales el modelo de negocio dicta la manera en que la empresa estructura su enfoque y gestión del mercado, proporcionando a su vez las bases sobre las que se estructura el modelo organizativo. La infraestructura tecnológica, representada en la base de este marco, provee el soporte fundamental para ambos. En un contexto que exhibe cierto grado de estabilidad, este arreglo demuestra ser particularmente efectivo, ya que permite que el modelo organizativo y las capacidades tecnológicas se sincronicen armónicamente con los objetivos del modelo de negocio.

 

 

Sin embargo, esta visión presenta limitaciones en el actual entorno de alta densidad digital y cambio constante. La rigidez que caracteriza a las organizaciones incumbentes, donde la adaptación a nuevos modelos de negocio se ve obstaculizada por estructuras y competencias arraigadas, se compara a menudo con la dificultad de cambiar la función de un edificio una vez construido. Las rigideces estructurales limitan la capacidad de respuesta y adaptación a las nuevas dinámicas del mercado y a la evolución tecnológica⁵.

Frente a este escenario, se propone un nuevo marco conceptual⁶ que sitúa el modelo de datos en el centro de la estrategia empresarial, influyendo tanto en el modelo de negocio como en el organizativo (ver el cuadro 2). El modelo de datos emerge como el núcleo de la organización, al convertirse estos en un activo crítico que impulsa la innovación y la ventaja competitiva en un entorno en constante cambio. Este modelo no solo abarca la infraestructura tecnológica, sino también la gobernanza de los datos, subrayando su importancia como un recurso clave para la toma de decisiones y la generación de valor.

 

 

Al posicionar los datos en el centro, el modelo de datos cataliza el desarrollo de nuevas propuestas de valor y modelos de negocio, y facilita una estructura organizativa más ágil y adaptable, capaz de evolucionar proactivamente en respuesta a las dinámicas del mercado. Este enfoque guiado por los datos permite a las empresas reaccionar mejor en contextos muy cambiantes, ya que pueden generar (“programar”) el modelo de negocio más adecuado y configurar dinámicamente su estructura organizativa para conseguir la agilidad necesaria.

Así, este enfoque marca el paso hacia una transformación digital que redefine la organización para ser intrínsecamente adaptable y capaz de “cambiar por diseño”, enfatizando cómo la adaptabilidad y la innovación son esenciales en un contexto que no deja de evolucionar.

A continuación, se define un índice de madurez que valora en qué medida las organizaciones están guiadas por los datos, analizando cómo los usan en sus modelos de negocio y organizativo. Este índice define los parámetros clave en las tres dimensiones del modelo del cuadro 2, para guiar a las empresas a identificar y priorizar iniciativas en su portafolio de transformación digital.

 

Modelo de negocio

Las interacciones de datos se pueden utilizar para conseguir avances en automatización, predicción, coordinación o personalización, lo cual contribuye tanto a la creación como a la captura de valor. En una organización impulsada por los datos, su utilización permea todo el modelo de negocio, desde la formulación de la propuesta de valor hasta la optimización del modelo financiero, incluyendo tanto las actividades de cara al cliente como las operaciones internas.

1. Automatización. Se trata de hacer más con menos mediante la digitalización de procesos para hacerlos más eficientes. Este enfoque tiene ejemplos concretos en la industria, destacando su relevancia en la mejora de la propuesta de valor y las operaciones internas, particularmente en el marco de la industria 4.0. Un caso ilustrativo es el de GB Foods, una destacada empresa de productos alimenticios cuya actividad se extiende a más de cincuenta países. Alicia Sáez, directora global de Transformación Digital en GB Foods, destaca cómo la automatización se está implementando de manera específica en la empresa: “Iniciamos un proyecto para monitorizar los activos fijos en varias de nuestras fábricas utilizando etiquetas RFID. Además, hemos creado una unidad denominada Digital Office, cuya misión es identificar y recomendar procesos de negocio susceptibles de ser automatizados mediante el uso de RPA (robotic process automation)”.

2. Predicción. Permite prever el estado futuro utilizando modelos de IA y mejora la propuesta de valor en áreas como la salud, anticipando necesidades de cuidado preventivo. Esta aproximación predictiva se aplica no solo para anticipar necesidades, sino también para optimizar recursos y estrategias. Un ejemplo destacado de esta aplicación es Transports Metropolitans de Barcelona (TMB). En 2023, TMB facilitó más de 647 millones de trayectos en Barcelona y su área metropolitana. Sobre las iniciativas de TMB en este ámbito, Margarida López Romero, directora de Innovación y Transformación Digital, señala: “Tenemos una unidad dedicada a big data e IA, y se están haciendo predicciones que están funcionando bien con una primera prueba piloto donde incorporábamos múltiples datos internos y externos de la ciudad; la precisión obtenida fue realmente muy buena para estimar cargas de autobuses en época de verano y poder regular mejor su frecuencia”.

3. Coordinación. Se centra en la interacción de distintos actores mediante el intercambio de datos, fundamentalmente a través de plataformas y API, reforzando la propuesta de valor al facilitar ecosistemas de servicios integrados.

4. Personalización. Busca atender mejor las necesidades de los clientes sin aumentar los costes, y se refleja en la propuesta de valor al ofrecer productos y servicios ajustados a las necesidades individuales, con experiencias de cliente altamente personalizadas.

 

Modelo organizativo

Mientras que el modelo de negocio se enfoca en el uso estratégico de los datos para generar valor, personalizando ofertas y anticipándose a las tendencias del mercado, el énfasis en el modelo organizativo reside en cómo utilizar los datos para ejecutar eficientemente el modelo de negocio, optimizando procesos internos y fomentando una cultura de agilidad y colaboración. Esto se traduce en distintas prácticas de trabajo que no solo favorecen la transformación digital, sino que también modelan la cultura organizacional hacia una más dinámica, innovadora y resiliente.

Se han identificado seis prácticas de trabajo, denominadas metacompetencias⁷. Estas representan capacidades esenciales que las organizaciones deben desarrollar e implementar para navegar con éxito la transformación digital. Su importancia radica en que no solo abarcan la integración de la tecnología digital en las operaciones empresariales, sino también en que subrayan la necesidad de un cambio cultural y organizativo que acompañe esta evolución, asegurando así una adaptación holística y efectiva al entorno digital cambiante.

1. Pensamiento ‘outside-in’. Se centra en identificar las necesidades de los clientes y el contexto de la organización, y se alimenta de prácticas como el design thinking, el customer journey y el job-to-be-done, utilizando datos para captar tendencias y comportamientos de manera precisa.

2. Orientación al aprendizaje. Alinea los objetivos con el desarrollo de nuevo conocimiento, empleando datos en técnicas de lean startup y A/B testing para iterar y mejorar constantemente.

3. Ejecución ágil. A través de metodologías como scrum y kanban, aprovecha los datos en tiempo real para ajustar las propuestas de valor de manera iterativa, fomentando una cultura de adaptabilidad y mejora continua.

4. Colaboración ‘cross-silo’. Se refiere a la colaboración efectiva entre distintas áreas de una organización, que resulta fundamental para impulsar la innovación y el trabajo en equipos multidisciplinares. Este enfoque se beneficia enormemente del intercambio de datos entre departamentos, lo que facilita la superación de barreras internas y el impulso de soluciones creativas. Reflejando la importancia de esta metacompetencia y su impacto en la transformación digital, López Romero, de TMB, subraya: “Hasta ahora los negocios han analizado sus datos departamentales sin obedecer a directrices centralizadas. Sin embargo, los distintos negocios han visto claramente la necesidad de organizarse y estar alineados con el área de transformación digital para ir avanzando en la definición de la oficina del dato, que, sin quitarles la autonomía que obviamente deben tener, les pueda proporcionar una definición común del diccionario de datos”.

5. Participación en ecosistemas. En ellos se colabora con partners a través de modelos de negocio basados en plataformas, con arquitecturas modulares y API para el intercambio de datos, creando propuestas de valor conjuntas.

6.  “Proficiencia” en datos. Desarrollar una cultura orientada a los datos es crucial para que la toma de decisiones en una organización se base en evidencia sólida. Esto implica no solo incorporar especialistas como científicos de datos e ingenieros de datos, sino también fomentar una comprensión y manejo del análisis de datos en toda la empresa, estableciendo los datos como el lenguaje común en todas las decisiones y operaciones. Banco Sabadell es un referente en la adopción de esta cultura. Luis Echavarri, encargado de Analítica e Inteligencia Artificial en esta entidad, destaca la importancia de integrar esta cultura guiada por los datos a nivel organizacional: “Yo creo que el data translator va a ser la figura clave, ya que se está viendo una brecha enorme entre la parte tecnológica y la parte de negocio en muchos temas. Se trata de alguien que conoce los datos que pueda haber dentro de una determinada área o ámbito, y hace de interlocutor entre lo que puede ser el negocio puro y los data analysts o data scientists”.

 

Modelo de datos

El modelo de datos engloba tanto la infraestructura tecnológica crítica para las operaciones y la innovación como las funciones de gestión de los datos que aseguran su seguridad, características y gobernanza.

 

Infraestructura tecnológica

La infraestructura tecnológica constituye la arquitectura TI integrada de la organización⁸ y se fundamenta en la coexistencia de dos funciones fundamentales dentro de la arquitectura TI: la columna vertebral operativa (operational backbone) y la programabilidad o plataforma digital⁹, las cuales facilitan tanto la ejecución eficiente de los procesos de negocio existentes como la innovación y el desarrollo de nuevos modelos de negocio digitales.

1. Columna vertebral operativa. Asegura que las operaciones del día a día sean fluidas y eficientes. Incluye sistemas empresariales integrados (ERP, CRM, etc.), repositorios de datos que actúan como la fuente única de verdad (conocidos como SSOT) y procesos para la transformación y carga de datos (ETL). Su objetivo es automatizar procesos repetitivos, ofrecer visibilidad en las transacciones y soportar las operaciones esenciales de la empresa.

2. Programabilidad. Se establece como un eje central para la innovación dentro de las organizaciones, ofreciendo la flexibilidad necesaria para adaptarse rápidamente a los cambios del mercado y explorar nuevas oportunidades digitales. A través de elementos como software reutilizable, API para integración modular y data lakes para la experimentación con datos, las plataformas digitales facilitan el desarrollo de nuevas propuestas de valor y modelos de negocio digitales.

Un ejemplo destacado en cuanto a infraestructura tecnológica es Vueling, que forma parte del grupo IAG. Icamaan Botelho, responsable de Datos e IA en Vueling, ilustra cómo la compañía maneja la complementariedad entre la operational backbone y la plataforma digital: “En nuestra estructura de 130 personas dedicadas a datos, tenemos un equipo especializado en la infraestructura y arquitectura cloud para el departamento de datos. Mientras el departamento de IT maneja la infraestructura técnica, el equipo de datos tenemos la autonomía para optimizar y configurar las bases de datos, administrando nuestros repositorios, data lakes y bases de datos, y asegurando así un manejo eficiente y autónomo de la información”.

 

Gestión de datos

Por su parte, la gestión de datos en organizaciones impulsadas por los datos se sustenta en tres pilares fundamentales.

 1. Seguridad del dato. Especial énfasis se pone en esta cuestión para proteger la información contra ciberataques a través de medidas de protección robustas, detección temprana, respuesta rápida y planes de continuidad para garantizar la integridad y disponibilidad de los datos. López Romero, de TMB, comenta sobre la importancia de estas medidas de seguridad, impulsadas tanto por necesidades legales como por la protección integral de su infraestructura crítica: “La adopción de estas medidas de seguridad se vio impulsada por un imperativo legal, ya que la red de metro es una infraestructura crítica. Esto nos obliga a cumplir con ciertos requisitos específicos de seguridad. Sin embargo, dado que esto afecta a un área corporativa transversal, todas las políticas de seguridad se aplican indistintamente a ambos negocios (metro y autobús)”.

 2. Características del dato. Este aspecto abarca la accesibilidad, utilidad, calidad y fiabilidad del software utilizado, destacando la importancia de optimizar el ciclo completo del dato, desde su captura hasta su aplicación efectiva.

 3. Gobierno del dato. Incluye el uso de herramientas como los diccionarios de datos, que facilitan la comprensión y el acceso a los mismos. Además, contempla el establecimiento de políticas claras que definan quién puede acceder a los datos y bajo qué circunstancias, así como una estructura formal de gobierno con roles específicos, tales como el Chief Data Officer (CDO), el Chief Privacy Officer (CPO) y los data stewards, enfatizando el cumplimiento del RGPD y la adopción de prácticas éticas en la implantación de modelos de inteligencia artificial.

 

Índice ‘data-driven’

A partir de las dimensiones que caracterizan los modelos de negocio, organizativo y de datos, se define un índice de madurez para cada uno de los modelos en una escala de 1 a 5, donde un 5 refleja la máxima madurez y un 1, la mínima. Así, el índice del modelo de negocio se obtiene de la suma ponderada del uso de la automatización, predicción, coordinación y personalización. A su vez, el índice del modelo organizativo es la suma ponderada del desarrollo de las seis metacompetencias: outside-in thinking, orientación al aprendizaje, ejecución ágil, colaboración cross-silo, participación en ecosistemas y la “proficiencia” en datos. Por último, el índice del modelo de datos se obtiene por la suma ponderada del desarrollo de la columna vertebral operativa, la plataforma digital o programabilidad, la seguridad del dato, sus características y su gobernanza.

A su vez, algunas de estas dimensiones se subdividen en otras. Por ejemplo, la columna vertebral operativa se descompone en SSOT, ETL, digitalización de procesos y cuadros de mando/informes. Los detalles de todos los parámetros están definidos en el estudio Índice data-driven¹⁰. Finalmente, el valor final se obtiene como la suma ponderada de los índices de los tres modelos, como se muestra en el cuadro 3.

 

 

El cuadro 4 ilustra la distribución de las 161 organizaciones del estudio antes mencionado según su madurez, basándose en que el I_dd oscila entre 1 y 5. El I_dd medio del estudio se sitúa en 2,91 y la mayoría de las empresas se encuentran por debajo de la mitad de esta escala, lo cual indica que hay un margen considerable para mejorar el uso de datos en diversas áreas organizacionales.

 

 

Para comprender mejor el cuadro 4, es crucial entender que el I_dd de cada empresa se analiza según las tres dimensiones principales: modelo de negocio, organizativo y de datos. Estas son fundamentales para entender la posición de cada compañía en el gráfico. Las organizaciones con menor madurez en estas áreas se ubican en la parte inferior izquierda. Por otro lado, las once empresas situadas en la esquina superior derecha, con índices superiores a 4, destacan por su uso más avanzado de los datos en todas estas dimensiones.

En el cuadro 4 también se observa que existe una correlación elevada entre los valores de los tres índices. Por lo general, las empresas que son avanzadas en un área tienden a serlo también en las otras, lo que sugiere que el éxito en la implementación de estrategias basadas en datos requiere un enfoque holístico que abarque todos los aspectos de la organización.

 

Modelo de negocio

El índice promedio en el modelo de negocio de las 161 organizaciones es de 2,70. Como muestra el cuadro 5, destaca el dominio del uso de datos en procesos de automatización para mejorar la eficiencia. En contraste, su uso para fines predictivos o prescriptivos mediante analítica avanzada e IA obtiene un índice bastante más bajo, lo cual sugiere que las empresas aún están en fase de exploración en el uso de IA. De ahí la necesidad de contar con un modelo de datos robusto y perfiles especializados, como científicos e ingenieros de datos. En cuanto a coordinación, se evidencia que pocas organizaciones están integradas en ecosistemas a través de API externas para cocrear valor, lo cual refleja una limitada programabilidad en sus modelos de datos.

 

 

Modelo organizativo

El índice promedio en el modelo organizativo es de 2,78, desglosado en las seis metacompetencias que muestra el cuadro 6. Predomina todavía un enfoque poco outside-in, promoviendo fundamentalmente productos y servicios existentes.

 

En contraposición, la colaboración cross-silo es la metacompetencia más avanzada, evidenciando la prevalencia de equipos transversales en estructuras matriciales. Sin embargo, la adopción de inteligencia artificial y metodologías agile es incipiente. Esto subraya una limitada presencia de perfiles especializados y una escasa implementación de prácticas de desarrollo iterativo y roles agile específicos. Su uso, aunque común en TI, no se ha extendido todavía a otras áreas funcionales.

 

Modelo de datos

El índice promedio del modelo de datos, situado en 3,24, se analiza a través de cinco áreas clave, como muestra el cuadro 7. La operational backbone subraya la importancia de la digitalización de procesos. El buen promedio en la seguridad de datos demuestra el compromiso organizativo en la protección y gestión de ciberataques, aunque la asignación de roles específicos sigue siendo mejorable. En cuanto a la plataforma digital (programabilidad), se observan esfuerzos hacia una infraestructura TI modular, apoyada en API, pero el desarrollo de data lakes y su potencial para la analítica avanzada y la IA aún es limitado. La gobernanza del dato es un área crítica de mejora, evidenciando la necesidad de estructuras y roles más definidos para optimizar su gestión, a pesar de ciertos avances en cumplimiento normativo y privacidad por regulaciones como el RGPD.

 

 

Diagnóstico de la transformación digital

De las 161 empresas analizadas en el Índice data-driven, destacan 46 con un I_dd alto que se consideraron a sí mismas exitosas en sus procesos de transformación digital, frente a 45 que reconocieron no haber tenido éxito. Esta dicotomía pone de relieve que el I_dd es un claro indicador del éxito en los procesos de transformación digital.

Las compañías exitosas se distinguen no solo por adoptar arquitecturas TI modulares que favorecen la flexibilidad y la innovación, sino también por un uso intensivo de la predicción y la automatización en sus estrategias de negocio. Además, estas organizaciones adoptan un enfoque muy centrado en el cliente, aplicando metodologías como el design thinking, el job-to-be-done y el customer journey.

Por otro lado, las 45 empresas menos exitosas presentaron I_dd inferiores a la media, evidenciando deficiencias en la adopción de tecnologías de datos y la implementación de estrategias organizativas y de negocio orientadas al dato.

Es necesaria una estrategia integral que armonice de manera efectiva las dimensiones tecnológica, de negocio y organizativa. Además, las compañías con I_dd elevados priorizan aspectos críticos como la seguridad de datos y una sólida gobernanza, fundamentales para sostener una estrategia impulsada por los datos efectiva a largo plazo.

El cuadro 8 ilustra de forma clara cómo los índices varían en función del éxito en los procesos de transformación digital, ofreciendo una perspectiva visual de la correlación entre un alto I_dd y la capacidad de una empresa para navegar y prosperar en la era digital. Es importante destacar que las compañías que reportan éxito en su transformación digital presentan índices superiores en todos los parámetros que conforman los modelos de negocio, organizativo y de gestión de datos.

 

 

El portafolio de transformación digital

Reconociendo el valor estratégico de los datos, muchas organizaciones siguen todavía enfocándose en su uso para controlar la ejecución del modelo de negocio. Para embarcarse efectivamente en la transformación digital, resulta crítico ver los datos no solo como una herramienta de control, sino como un recurso clave para la innovación, integrándolos plenamente en la estrategia. Este paso hacia organizaciones impulsadas por los datos implica una visión integrada de los modelos de datos, negocio y organizativo.

Una buena puntuación en el índice de madurez data-driven (I_dd) presentado en este artículo se convierte en una condición necesaria para el éxito en los procesos de transformación digital, tal y como muestran los resultados de las 161 empresas analizadas. Por este motivo, el I_dd se convierte en una herramienta sumamente útil para las compañías que quieran definir, estructurar, priorizar y gestionar su portafolio de transformación digital.

En el cuadro 9 se muestra la matriz de clasificación de iniciativas que constituyen el portafolio de transformación digital de una organización¹¹. Las iniciativas del portafolio pueden clasificarse según dos dimensiones: 1) su contribución a la generación de nuevos ingresos a través de nuevos modelos de negocio y 2) la necesidad de integrar nuevas capacidades en la organización. Estas capacidades incluyen tanto la integración de nuevas infraestructuras tecnológicas que forman parte de la arquitectura TI como la adopción de capacidades organizativas tales como la incorporación de nuevo talento o la integración de nuevas prácticas de trabajo.

 

 

En el cuadrante inferior izquierdo encontramos aquellas iniciativas que apoyan el modelo de negocio existente sin requerir capacidades significativamente distintas de las que ya posee la organización. Estas iniciativas se centran en la digitalización, buscando una ejecución más eficiente del actual modelo de negocio, y tienden a utilizar datos de manera defensiva para optimizar procesos existentes.

En el cuadrante superior izquierdo se sitúan las pruebas piloto de innovación, que, aunque no requieren tener integradas nuevas capacidades, permiten experimentar con nuevos modelos de negocio a través de interacciones de datos que incluyen no solo la automatización, sino también la predicción, la coordinación o la personalización.

En el cuadrante inferior derecho nos enfocamos en las iniciativas que buscan introducir nuevas capacidades. Esto puede implicar el fortalecimiento de la columna vertebral operativa; la expansión de la plataforma digital; la integración de talento especializado en el manejo de datos, como la creación de nuevas unidades de ciencia de datos, o la adopción de nuevas metodologías de trabajo que reflejen las metacompetencias necesarias para el cambio cultural.

Botelho, de Vueling, refleja esta dinámica desde su experiencia en la aerolínea, señalando la importancia de evolucionar hacia un enfoque aún más centrado en los datos y el análisis como elementos decisivos en la toma de decisiones: “Vueling es por definición una empresa data-driven en la toma de decisiones. Ahora estamos trabajando en iniciativas para evolucionar nuestro modelo hacia uno más data-centric. Sin embargo, creo que el aspecto cultural es el mayor reto, y entender que el dato va a ser algo extremadamente relevante para nuestra industria. Es cierto que hemos evolucionado muchísimo, pero creo que, culturalmente, desarrollar esa mentalidad digital sería el principal reto”.

Las iniciativas en el cuadrante inferior derecho se denominan opciones, ya que se valoran como inversiones estratégicas que otorgan a la organización diversas opciones de transformación.

En el cuadrante superior derecho se sitúan aquellas iniciativas orientadas a la industrialización de nuevos modelos de negocio, las cuales se concretan mediante el escalado de las pruebas piloto utilizando las nuevas capacidades adquiridas. Esta fase es crucial para la transición de ideas experimentales a soluciones que impactan directamente en la estrategia y rentabilidad de la empresa.

Sáez, de GB Foods, ilustra este proceso a través del proyecto COG (Cost of Goods), donde el objetivo fue profundizar en el entendimiento del impacto que tienen las materias primas en la rentabilidad de diversos productos y mercados. Esta ejecutiva destaca la importancia de una integración efectiva de los datos en el data lake de la empresa, subrayando un enfoque estratégico que prioriza la calidad y relevancia analítica de los datos sobre la mera acumulación: “En el proyecto COG nos enfocamos en visibilizar el impacto de las materias primas en distintos productos y mercados. La clave fue integrar completamente los datos en el data lake. Buscábamos entender cómo las fluctuaciones en el costo de materias primas influyen en la rentabilidad, lo cual nos motivó a conectar todas las fuentes de datos relevantes. Frente a la tendencia de algunos líderes digitales de acumular datos indiscriminadamente o mantenerlos aislados en sus aplicaciones originales, optamos por un enfoque equilibrado: seleccionar datos por su valor analítico, privilegiando la calidad sobre la cantidad”.

En el contexto de la gestión del portafolio de transformación digital, el I_dd proporciona orientación sobre cómo se deben priorizar y enfocar estratégicamente las iniciativas dentro de cada cuadrante. Esta función del I_dd como un faro en la transformación digital es crucial para navegar por el complejo paisaje de las nuevas tecnologías y sus aplicaciones en el negocio.

Echavarri, de Banco Sabadell, refleja esta dinámica al abordar el desafío que representa la selección y adaptación a las tecnologías emergentes que verdaderamente generan valor para la organización: “Creo que el gran reto van a ser todas estas capacidades tecnológicas que van a surgir en los próximos años, o que están surgiendo, y ver cómo somos capaces de seleccionarlas, de filtrar las que realmente aportan valor, y ver cómo somos capaces de adaptarnos”.

Más que simplemente reflejar la situación actual, el I_dd orienta la evolución futura de las organizaciones, destacando las áreas críticas de inversión. Por tanto, esta herramienta se presenta no solo como un medio de diagnóstico, sino también como una guía para la innovación y adaptación estratégica continua necesaria en los procesos de transformación digital.

 

Referencias

1. Zamora, J.”Densidad digital: øes posible programar modelos de negocio?”. IESE Insight, segundo trimestre de 2017.

2. Zamora, J., Tatarinov, K. y Sieber, S. “Las fuerzas centrÌfugas y centrípetas que inciden en la transformación digital de los sectores”. Harvard Deusto Business Review, 279, 2018.

3. Zamora, J. y Ricart, J. E.”Radiografía de la transformación digital en España: seis metacompetencias críticas”. Harvard Deusto Business Review, 303, 2020.

4. DalleMule, L. y Davenport, T. “What’s Your Data Strategy?”. Harvard Business Review, mayo-junio de 2017.

5. Leonard-Barton, D. “Core capabilities and core rigidities: A paradox in managing new product”. Strategic Management Journal, 13, 1992.

6. Zamora, J. y Thomas, L. Organizing for Connected Data [working paper]. IESE, 2022.

7. K·ganer, E. y Gregory, R. W. Dialectic of Digital Mindset in Digital Business Strategy Execution [working paper]. IESE, 2017.

8. Zamora, J. Blueprint for an Integrated IT Architecture [nota técnica]. IESE, 2024.

9. Mocker, M., Beath, C. y Ross, J. W. Designed for Digital. MIT Press, 2019.

10. IESE-Penteo. Índice data-driven. Diagnóstico de la transformación digital en organizaciones impulsadas por los datos. 2022.

11. K·ganer, E., Gregory, R. W. y Korogodsky, A. “Managing Transformation as a Portfolio of Learning Initiatives”. Artículo pendiente de publicación, 2023.

 

NOTA

Las organizaciones interesadas en realizar una autoevaluación y obtener su Índice data-driven pueden utilizar la siguiente herramienta online, desarrollada por el IESE: www.iese.edu/data-driven-index