Reducing uncertainty through data
¿Qué retos nos plantea el contexto actual?
La crisis del COVID ha creado una incertidumbre sin precedentes a nivel global dificultando la toma de decisiones frente a situaciones desconocidas. Han aparecido nuevas variables que cuestionan la validez de los procesos de estimación de la demanda y planificación tradicionales.
Los datos y las estadísticas utilizados para la monitorización de la pandemia han dejado de manifiesto que tanto la calidad como la homogeneización de estos no siempre ha sido la adecuada. ¿Qué habría sido diferente si hubiéramos dispuesto de los datos necesarios en el momento adecuado? ¿Habríamos podido planificarnos mejor?
Ha aumentado la incertidumbre apareciendo nuevas variables que nos son ahora familiares (infectados, número de entradas en UCI por COVID…) así como nuevos activos que gestionar (mascarillas, desinfectantes, backlogs y listas de espera no sólo en hospitales, pero en la gran mayoría de los negocios).
Los algoritmos tradicionales basados en series históricas también han dejado de dar las respuestas necesarias y se hace imprescindible buscar otras soluciones.
En EY, hemos conseguido paquetizar un enfoque de transformación Data-Driven modular alrededor de una plataforma basada en el EY Data-Fabric que orquesta las diferentes fuentes de datos, aplica inteligencia artificial y algoritmia avanzada para poder aprender y planificar en tiempo real. Esta solución va más allá de la necesidad inmediata actual y pensamos que será parte del nuevo normal NOW, NEXT & BEYOND.
¿Qué acciones es necesario tomar y en qué plazos?
- Reaccionar a la disrupción generada por la crisis monitorizando cambios en el entorno a través de nuevos inputs e identificando cambios en la demanda para poder planificar la respuesta (outputs) en cada una de las áreas de la organización:
- Clientes: Responder a los cambios de comportamiento adaptándose a la nueva demanda y focalizándose en retención y control del “churn”.
- Operaciones: Planificar los nuevos elementos de la cadena de valor (a nivel de workforce, facilities y materials) como respuesta a la disrupción y al backlog generado.
- Finanzas: Preservar Caja con una monitorización y gestión eficiente de las ayudas y regulación.
- Desarrollar modelos de inteligencia artificial transversales conectados con el ecosistema y entorno que permitan adaptarse a la nueva demanda aprendiendo de cada evento interno o externo:
- Clientes: Mayor conocimiento del cliente a través de microsegmentación con inteligencia artificial y “machine learning” analizando su comportamiento en tiempo real a nivel de evento.
- Operaciones: Potenciar los canales virtuales dentro de un modelo de servicios omnicanal con procesos fluidos que permitan anticipar y adaptarse a la nueva demanda y cambios en el entorno.
- Finanzas: Monitorizar la caja y prevenir el “bad debt” aplicando algoritmos que identifiquen clientes o contratos propensos al impago a través del análisis inteligente de los datos.
- Establecer la capacidad de predicción y adaptación a cambios en el entorno estableciendo una cultura data-driven en la que los datos se democraticen y estén a disposición de todos los empleados aportando inteligencia en todos y cada uno de los procesos
- Clientes: Focalizarse en el “right customer experience” (pagador, usuario, familia, administrador...) a partir de datos y de hiper personalización.
- Operaciones: Optimizar el modelo de servicio ofreciendo el servicio adecuado en el lugar adecuado en el momento adecuado a través de estimación de la demanda y planificación inteligentes que optimicen capacidad, experiencia e impacto financiero.
- Finanzas: Mapear el impacto de los micro eventos comerciales y operativos en la cuenta de resultados, así como cuantificar el valor del dato como un activo.
El equipo
Anterior
