El modelo DELTA, que fue presentado por Thomas H. Davenport y su equipo, se presenta como un marco estratégico que posibilita a las organizaciones la creación de una cultura fundamentada en datos a través de la integración de cinco componentes esenciales: Datos, análisis, capacidades de liderazgo y objetivos. Estos componentes colaboran para convertir los datos en información valiosa que ayude a tomar decisiones estratégicas dentro de las entidades (Davenport & Harris, 2007).
El primer componente está constituido por los Datos, que se ocupa de la calidad, el acceso y la administración adecuada de la información en el seno de la organización. No solo se necesita compilar grandes cantidades de información; esta debe ser exacta, accesible y estar incorporada en sistemas que faciliten su análisis eficaz (Provost & Fawcett, 2013). Un caso práctico se puede ver en compañías como Walmart, que examinan millones de operaciones diarias para perfeccionar las tácticas de venta e inventario en tiempo real (Chen, Chiang & Storey, 2012).
El segundo elemento son las capacidades analíticas en toda la organización, lo que significa que los trabajadores tengan habilidades para analizar datos y emplearlos a la hora de tomar decisiones. Davenport y Harris (2007) afirman que para desarrollar estas capacidades no es suficiente con contratar expertos en el análisis de datos; también es necesario preparar a los equipos para promover una cultura organizativa basada en evidencias. Netflix es un caso relevante que emplea el análisis de datos de las tendencias de visualización para individualizar los contenidos que sugiere a sus clientes (Davenport et al., 2012).
El liderazgo es el tercer componente, y es esencial para promover iniciativas basadas en datos. Los líderes de las organizaciones deben entender el valor estratégico de los datos y fomentar su utilización en todos los niveles organizativos. Consolidar una cultura analítica sostenible es complicado sin este apoyo institucional (Davenport, 2006).
Los objetivos (Targets) son el cuarto componente y simbolizan los propósitos concretos que la empresa intenta lograr a través del uso de datos, tales como perfeccionar los procesos o aumentar la eficiencia en las operaciones. En última instancia, la analítica (Analytics) es el eje del modelo, pues posibilita la conversión de datos en conocimiento por medio de sofisticadas técnicas analíticas que incluyen modelos de aprendizaje automático y análisis predictivo (Davenport et al., 2012).
La posibilidad de aplicar el modelo DELTA en instituciones educativas o públicas en América Latina está sujeta a diferentes factores. Para empezar, es imprescindible tener un liderazgo institucional que fomente la utilización estratégica de los datos. En segundo lugar, es necesario mejorar la capacidad analítica a través de cursos de capacitación en ciencia y análisis de datos. Por último, también es importante la madurez tecnológica, dado que las herramientas analíticas y la infraestructura pueden suponer un obstáculo para ciertas entidades (McAfee & Brynjolfsson, 2012).
Sin embargo, la expansión de plataformas de análisis accesibles y tecnologías en la nube ha hecho posible que hasta las organizaciones con recursos escasos puedan empezar a crear habilidades analíticas. Por lo tanto, si se lleva a cabo de manera gradual y estratégica, priorizando la formación del talento humano y la adecuación con los objetivos institucionales, es factible aplicar el modelo DELTA en el sector público y educativo.
Referencias
Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36(4), 1165–1188.
Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, 84(1), 98–107.
Davenport, T. H., & Harris, J. G. (2007). Competing on analytics: The new science of winning. Harvard Business School Press.
Davenport, T. H., Barth, P., & Bean, R. (2012). How big data is different. MIT Sloan Management Review, 54(1), 43–46.
McAfee, A., & Brynjolfsson, E. (2012). Big data: The management revolution. Harvard Business Review, 90(10), 60–68.
Provost, F., & Fawcett, T. (2013). Data science for business. O’Reilly Media.