<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=974250883405448&amp;ev=PageView&amp;noscript=1">
¿Por qué empezar con una estrategia de datos cuando hablamos de DataOps?

Big Data

,

Data Analytics

¿Por qué empezar con una estrategia de datos cuando hablamos de DataOps?

Francisco Gaitán Díaz | jun 24, 2021

 

Según una encuesta de Harvard Business Review del año 2021: " la mayoría de los líderes de datos ahora consideran que la mala calidad de los datos y la cultura constante de las organizaciones en limitar el acceso a los mismos, son barreras con mayor relevancia para producir valor en el negocio que la tecnología en sí..."

 

La necesidad del uso de los datos para asegurar la supervivencia y relevancia de un negocio en un mundo digital como el actual, ha destacado y priorizado la necesidad de acumular grandes volúmenes de datos. De hecho el ciclo virtuoso de los datos, es una idea que se ha venido extendiendo y que grandes compañías sobre todo de soluciones Cloud han impulsando. Recordemos que este tema tiene como origen el modelo expuesto informalmente por Jeff Bezos en 2001, ahora modificado y adaptado para los datos; lo que se busca exponer es que una mayor cantidad de datos lleva a tener mejores procesos, y estos a su vez, a tener mejores datos y posteriormente mejores procesos, convirtiéndolo en un ciclo de mejoramiento. Esta idea en general es aplicable y genera resultados, pero al leerse de forma aislada se puede observar que destaca demasiado la necesidad de tener grandes volúmenes de datos, pero le resta relevancia a los objetivos por los cuales se está consiguiendo dicho conjunto de datos, sin esos objetivos es complicado que los datos en verdad generen valor a la empresa.

Como mencionamos en el artículo previo sobre 'Qué es dataOps y la importancia en la analítica de datos', una de las ventajas de afrontar una iniciativa de datos desde la perspectiva de DataOps es que todo debe empezar desde una estrategia y no desde la contratación de un perfil técnico experto en datos, porque DataOps es más sobre cambios en la organización, colaboración y mejores prácticas que sobre tecnología. Según una encuesta de Harvard Business Review del año 2021, la mayoría de los líderes de datos aún consideran que la mayor barrera que tienen para generar un impacto de valor en sus compañías es la falta de habilidades o entrenamiento de sus empleados para hacer analítica de datos; dicho resultado deja en evidencia que aun después de muchos años de proyectos de analítica fallidos, continúa una fuerte tendencia en creer que la responsabilidad recae sobre este tipo de perfiles como científicos y analistas de datos. Lo que sí es un aliciente es observar en la misma encuesta que barreras como la mala calidad de los datos y la cultura constante de las organizaciones en limitar el acceso a los datos, ahora son más visibles y tienen más atención en las organizaciones que la tecnología como tal.

 

¿Todos los conjuntos de datos generan valor?

Los datos se necesitan para conocer mejor a los clientes, mejorar los procesos o para incluirlos en productos y servicios, pero solo una observación real del negocio permite identificar las verdaderas aristas que un conjunto de datos voluminosos debe tener para ser considerado valioso. Andrei Hagiu y Julian Wright en su artículoCuando los datos crean una ventaja competitiva... y cuando no plantean la necesidad de responder 7 preguntas, con el objetivo de saber hasta qué punto es sostenible la ventaja competitiva que genera el aprendizaje basado en datos. Al responder las preguntas se puede entender que un mismo conjunto de datos no es valioso en la misma medida para uno u otro negocio, incluso el mismo conjunto de datos no es valioso para el mismo negocio si se plantea un objetivo diferente.

Es importante entenderlo porque la reacción más natural del cerebro humano es aprender de algo exitoso y tratar de repetirlo de la misma forma para también obtener un resultado exitoso, esto es perfectamente normal y está bien, pero debemos ser cautelosos y entender la realidad del negocio.

 

COimagenArt2DataOpsFoto tomada de: (Unsplash, 2015)

 

Cada compañía escribe su propia historia

Veamos este ejemplo: Si observamos a una persona lanzando de forma exitosa un balón de baloncesto a la canasta e intentamos hacer lo mismo, pero a diferencia de él tenemos en nuestras manos una bola de boliche, quizás repetir el mismo movimiento tendrá un resultado diferente y poco exitoso, pero, aun sí logramos convertir la canasta, las consecuencias del boliche golpeando el tablero y cayendo sobre el piso de madera del coliseo serán desastrosas. De la misma manera, cuando se observan historias de éxito de compañías como Netflix, Google, Amazon entre otras, que han logrado usar la analítica y el Big Data de forma exitosa y se intenta seguir sus pasos porque se cree que el cliente objetivo es muy similar, lo más probable es que se esté alimentando una fórmula digna del fracaso, lo que sí debemos hacer, es entender lo que ellos entendieron antes de plantear y aplicar sus estrategias de datos.

 

5 aspectos esenciales para plantearse una estrategia de datos

El término estrategia desafortunadamente está desgastado, no porque se dude de su eficacia ya que todas las compañías que mencionamos anteriormente definieron una, la siguieron, la adaptaron y han tenido éxito; es más por el hecho de creer que eso significa utilizar meses de esfuerzo desarrollando un documento de texto que después todos en la compañía lo deben seguir al pie de la letra, cuando en realidad no es así. La idea principal no es alinear las personas a un documento, es establecer una serie de objetivos para toda la organización que guía a procesos efectivos en el uso de los datos para generar valor, solo que para hacerlo se deben entender algunos aspectos antes de definir una estrategia de datos, aquí vamos a enumerar algunos de los más relevantes.

1. Contar con un líder que visualice y valore la analítica.

Además de tener una visión, una misión y unos objetivos estratégicos que definen una identidad, establecen unas metas y proyectan un estado ideal donde quieren situarse en el futuro, se requiere de la guía de un líder que considere importante que el negocio debe utilizar sus datos y la analítica para apoyar sus procesos y cumplir objetivos, un líder que tenga el apoyo de la dirección, que entienda el negocio y que no sea ajeno a la tecnología, alguien que sienta pasión por el tema y busque constantemente el uso de los datos, la analítica y el machine learning como alternativa de mejora, esto debido a que es poco probable tener éxito si estas iniciativas analíticas se dirigen desde una perspectiva netamente técnica.

2. Nunca empezar con un algoritmo.

No es necesario contratar un científico de datos para que le ayude a desarrollar una estrategia de datos, tampoco es necesaria la compra de herramientas tecnológicas, en principio lo que se requiere es conocimiento previo del negocio, de la industria y por supuesto un pensamiento enfocado en el uso de los datos como activo estratégico, no como el insumo de un algoritmo, eso viene después.

3. Transformación Digital sin tecnología.

Hay que recordar que el negocio ha definido unos procesos que han venido funcionando y que seguramente se hicieron previamente al uso de los datos como un activo y a la analítica como una herramienta, así que la compañía debe estar abierta a cambios en los procesos porque seguramente se van a dar, desde la perspectiva de DataOps los procesos deben ser altamente eficientes en el uso de los datos para convertirlos en resultados que apoyen el cumplimiento de la misión, además de incluir automatizaciones y flujos de datos definidos y gobernados, estos tipos de cambios hacen parte de la transformación digital de una compañía.

4. Los datos también cumplen un ciclo.

Se debe entender que los datos tienen un ciclo de vida donde se capturan, almacenan, procesan, comparten, usan y archivan; una compañía tradicional que no se apoya en los datos cumple el ciclo casi de forma lineal. Incluir la analítica como herramienta implica que el ciclo de vida debe cambiar y evolucionar a un modelo cíclico que permita retroalimentación, permitiendo que las etapas se ejecuten en el orden necesario para cumplir el objetivo planteado, eso quiere decir que no todos los conjuntos de datos tendrán el mismo ciclo de vida, además un mismo conjunto de datos podrá tener diferentes ciclos de vida dependiendo del objetivo y el momento en el que se utilice, lo cual nos lleva al siguiente punto.

5. Los datos son un recurso.

Los datos van ocupando un tiempo y un espacio en las diferentes etapas de su ciclo de vida. Por lo tanto, se requiere definir y medir qué sucede con ellos en cada etapa, qué datos se tienen, cada cuanto se usan, cuánto tiempo duran en cada etapa, quién la utiliza, qué se debe buscar, a quién se debe transmitir o publicar el resultado, entre otras definiciones, es común verlas para los procesos en sí pero no para el uso de los datos a través de los procesos.

Es así como el DataOps sugiere afrontar las iniciativas de datos desde una perspectiva que busca asegurar el éxito de la inversión, para evitar estar en el grupo del 86% de las compañías que consideran que sus iniciativas de analítica no impactan positivamente a la empresa, ni cumplen con los objetivos propuestos.

 

¡Suscríbete!