Como crear una Estrategia de Datos exitosa

Con los rápidos avances en IA y ciencia de datos, los datos se han convertido en un activo esencial para todas las empresas. Establecer una estrategia de datos, por lo tanto, se ha convertido en la misión de todas las empresas, particularmente en el C-Suite y en los niveles Ejecutivos. ¿Qué es una estrategia de datos y cómo creamos la estrategia de datos adecuada?

Antes de hablar sobre la estrategia de datos, debemos entender qué es una estrategia. Usando una definición simplificada, una estrategia es un plan reflexivo centrado en cambiar el estado actual para alcanzar una visión para el futuro. En otras palabras, la estrategia correcta debe comenzar con una visión, y la estrategia es una forma de realizar una serie de cambios, que generalmente requieren innovación y pensamiento innovador, para lograr la visión. Cada empresa debe tener una visión comercial y una estrategia comercial antes de tener una estrategia de datos. Una estrategia de datos debe ir de la mano con una estrategia comercial y servir para hacer realidad la visión comercial. Por otro lado, los datos conviven con la tecnología, al tiempo que brindan valor a las empresas y los clientes. La estrategia de datos, por tanto, es también la estrategia tanto de los datos como de la tecnología.

Dada esta definición de qué es una estrategia de datos, también deberíamos poder decir qué no es una estrategia de datos. Por ejemplo, ir a la nube, adoptar IA y contratar científicos de datos no son estrategias de datos; son los medios y las herramientas que veo que a menudo se confunden con la visión o la estrategia. Esta confusión podría conducir a costosos esfuerzos de “hervir el océano” o fracasos condenados debido a la falta de direcciones y objetivos claros en primer lugar. Las tecnologías avanzan a una velocidad sin precedentes, particularmente en las áreas de datos e IA. La adopción exitosa de una nueva tecnología es importante y significativa solo cuando puede ayudar a realizar una visión comercial que la preexistente no puede. Por lo tanto, el valor comercial final que puede aportar una nueva tecnología, en relación con el sistema existente, es lo que justifica explorar la nueva tecnología y hacerla parte de la estrategia. Por otro lado, una nueva tecnología podría impulsar nuevas ideas para nuevos productos o nuevas oportunidades de generación de ingresos. Cuando este es el caso, el nuevo producto o las oportunidades de ingresos deben ser parte de la visión comercial y la estrategia comercial, mientras que la tecnología se convierte en una inversión en la estrategia de datos. En otras palabras, la exploración y adopción de nuevas tecnologías debe estar alineada con los objetivos comerciales y la visión comercial.

Hay 6 áreas en las que debemos centrarnos para crear una estrategia de datos exitosa: Alineación, Arquitectura, Proceso, Organización, Personas y Planificación a largo plazo.

Alineación con la estrategia comercial

Este es probablemente el aspecto más importante de la estrategia de datos. Si bien la importancia de la estrategia de datos es ampliamente aceptada, su implementación sigue siendo una gran pregunta para muchas organizaciones. Esto se debe principalmente a que, a menudo, los empresarios no confían en la tecnología y los científicos o tecnólogos de datos están demasiado centrados en la tecnología sin contextualizar las herramientas tecnológicas frente a los desafíos comerciales. La alineación puede ocurrir, por lo tanto, solo cuando ambas partes se enfocan en los resultados comerciales:

1.Los objetivos y estrategias comerciales se definen dentro del contexto comercial

Los objetivos y estrategias comerciales deben centrarse en los resultados que deben lograrse para los clientes y clientes, y no restringir las posibles soluciones técnicas. Por ejemplo, cuando una estrategia comercial dice "entregar API a los clientes de la empresa", inmediatamente reduce el alcance de los tecnólogos para crear soluciones API para los clientes finales. Si bien es probable que sea una de las posibles soluciones, no refleja realmente lo que buscan los clientes. Es más apropiado plantear el problema de otra manera, ya que "los clientes quieren una forma conveniente de recuperar datos desde cualquier lugar que deseen con el mínimo esfuerzo humano". Con este objetivo, la solución sería muy diferente y, de hecho, debería conducir a una estrategia completamente diferente que enfatizará más la experiencia del usuario en lugar de solo la API. La lección que hemos aprendido es que los empresarios deben plantear los problemas comerciales centrándose en los resultados comerciales deseados y evitar definir qué tecnologías utilizar desde el principio.

2. Diseñar e implementar soluciones técnicas con una verdadera comprensión del problema de negocio en una perspectiva amplia

Los tecnólogos siempre buscan nuevas herramientas, nuevas bibliotecas e incluso nuevos lenguajes de programación. Desde el momento en que se implementa una nueva tecnología, puede comenzar gradualmente a perder su gloria y atraer críticas debido a sus limitaciones en comparación con tecnologías aún más nuevas. Entonces, una trampa grave que he visto durante muchos años es que las implementaciones o actualizaciones se realizan solo por los avances tecnológicos, sin resolver los problemas comerciales. A veces, esto es necesario e inevitable. Por otro lado, debemos tratar de evitar seguir la exageración en el mundo de la tecnología y, en su lugar, enfocar los avances tecnológicos en casos de uso comercial y tomar decisiones acertadas basadas en las necesidades comerciales.

En un nivel superior, las necesidades comerciales para la estrategia de datos provienen de 3 áreas: productos, mejoras operativas/de procesos y cumplimiento. La estrategia de datos para cada una de estas áreas puede ser muy diferente. La estrategia relacionada con los productos requiere capacidades de descubrimiento e integración rápidos con nuevas fuentes de datos y entrega de nuevas experiencias de usuario. Las mejoras operativas/de procesos se aplican más internamente y se centran en la eficiencia, la reducción de costos y la mejora de la calidad. El cumplimiento se centra en la seguridad de los datos. Por lo tanto, una estrategia de datos efectiva debe cubrir todas estas áreas.

En las áreas de IA y análisis donde hay muchas oportunidades, la estrategia de datos debe alinearse con la estrategia comercial para establecer prioridades y determinar en qué áreas comenzar y qué casos de uso planificar a continuación. Definir claramente la prioridad de la IA y el aprendizaje automático (ML) no es una tarea fácil, lo que requiere una comprensión profunda de las metodologías, las oportunidades y una visión audaz en primer lugar. En este caso, las personas de negocios y productos deben trabajar en estrecha colaboración con los líderes en tecnología y ciencia de datos para crear visiones y estrategias juntos.

Arquitectura: el volumen de datos importa

Cuando se trabaja en la arquitectura de datos, es fundamental comprender los activos de datos existentes y futuros. Es necesario plantear preguntas importantes, como, qué tipo de datos se necesitan para resolver problemas comerciales, cuáles son los casos de uso típicos y cuál es el crecimiento del volumen en 3 a 5 años. Trabajar con un volumen de datos pequeño es más sencillo, lo que garantiza ciclos más rápidos y requiere menos inversión. Sin embargo, cuando se trabaja con grandes volúmenes de datos, la arquitectura se volverá mucho más compleja, por lo tanto, el costo será mucho más alto y la implementación llevará más tiempo y más riesgos. Si el tamaño de los datos es realmente diferente para diferentes fuentes y aplicaciones, debe haber diferentes estrategias para abordar cada caso, con diferentes formas de pensar y planificar desde el principio. Dada la complejidad de la arquitectura de big data impulsada por la evolución continua de las tecnologías y el aumento del volumen de datos, la estrategia sobre la arquitectura de big data también debe ser de gran alcance, con una visión que probablemente no solo se limite a 3 a 5 años, sino también a la perspectiva. -fuera por un plazo aún más largo.

Una arquitectura típica para big data consta de 3 áreas: 1) Fuentes de datos y su área de preparación; 2) Data Lake y Plataforma de Procesamiento de Datos; 3) Soluciones de entrega. Una estrategia de datos exitosa para Big Data debe planificar de manera diferente para estas 3 áreas y alinear cada una con los objetivos comerciales en consecuencia. En particular, la reconstrucción de la plataforma Data Lake y Data Processing para Big Data es muy costosa y puede requerir mucho tiempo y muchos recursos. Agregar una fuente de datos o desarrollar una nueva solución de entrega, por otro lado, se puede hacer con relativa rapidez y facilidad para aumentar los ingresos. Construir una canalización de procesamiento de datos escalable, integrable y sostenible y la plataforma es una estrategia central para permitir el crecimiento a largo plazo de una empresa.

Organización: Centralizada vs Descentralizada

Sucede a menudo que las nuevas ideas y la innovación parten de los departamentos comerciales porque están más cerca de los clientes y clientes, mientras que los grupos de tecnología de datos centralizados o de TI tienen experiencia en gestión de cambios, sistemas de producción escalables, automatización de procesos y soluciones de nivel empresarial. Tener TI "descentralizada" en los departamentos comerciales también se denomina "TI en la sombra". La razón de su existencia es claramente evidente: TI tiene recursos centralizados que a menudo no pueden cumplir con los requisitos comerciales de ser rápidos y ágiles para satisfacer las necesidades de los clientes. Por otro lado, el departamento comercial no tiene la capacidad para un entorno de producción grande ni el presupuesto para soluciones de software de nivel empresarial. Esta limitación podría conducir eventualmente a "dolores de crecimiento" y recursos desperdiciados cuando la solución necesita ser rediseñada y la migración debe ocurrir.

Este conflicto se vuelve aún más evidente en los campos de la ciencia de datos y la IA. Si bien los pequeños equipos de ciencia de datos en los departamentos comerciales pueden experimentar rápidamente con IA y algoritmos de aprendizaje automático, también deben planificar cómo escalar y producir sus modelos al mismo tiempo. Todo el ciclo de vida, desde la experimentación de nuevos algoritmos hasta la integración y la producción, debe discutirse y aplicarse explícitamente en la estrategia de datos, con la estructura organizativa y la asociación entre los departamentos de negocios y tecnología incorporados. Este ejercicio podría conducir a la eficiencia a nivel empresarial e innovaciones más rápidas al mismo tiempo. Por ejemplo, los científicos de datos pueden enfocarse en nuevas ideas, pero no necesitan preocuparse por respaldar la producción, mientras que el grupo de TI/Tecnología centralizada se enfoca en construir y respaldar la plataforma de producción integrada escalable con un rendimiento óptimo. En otras palabras, una buena estrategia nos permite mirar el ciclo de vida de los datos como un todo, desde la innovación inicial hasta la eventual producción y crecimiento del negocio. También impulsa a los departamentos de tecnología y negocios a trabajar en estrecha colaboración con los mismos objetivos para lograr resultados beneficiosos para todos.

Proceso: Gobierno de datos

El tema de cualquier estrategia de datos son los activos de datos para una empresa. Una estrategia de datos exitosa debe tener un plan claro sobre cómo liberar el valor de los activos de datos para servir a los propósitos comerciales. El gobierno de datos es el proceso de administrar estos conjuntos de datos en términos de propiedad, integridad, cumplimiento, calidad, contenido y relación con otros conjuntos de datos. Sin una gobernanza establecida, una empresa carecería de claridad y conocimiento de sus conjuntos de datos, lo que podría generar estrategias de datos inconsistentes o superpuestas. Como se indicó en un artículo anterior de mime (Gestión de datos maestros: una parte esencial de la estrategia de datos), para garantizar la Gestión de datos maestros como parte de la estrategia de datos, un proceso de gobierno de datos es esencial para el éxito de la estrategia. El gobierno de datos es un proceso, cuya eficacia se mide por los resultados que ofrece. Su propósito es proporcionar transparencia y eficiencia, pero no confusión y burocracia. Dada su importante función en la gestión de los activos de datos, el gobierno de datos debe ser parte de la estrategia de datos, con un plan más concreto sobre cómo establecer, hacer cumplir y mejorar continuamente el proceso de gobierno de datos para una empresa.

Personas: Talento y Cultura

Las personas también deben ser parte de cualquier estrategia para una empresa, y esta no es una excepción para la estrategia de datos. La diferencia para la estrategia de datos es que el talento técnico es difícil de encontrar y los datos también requieren conocimiento institucional para ser productivos. La evaluación de los talentos actuales y el plan previo a la capacitación o la creación de nuevos talentos son extremadamente críticos para una estrategia de datos exitosa. En este espacio, la retención de talentos y la búsqueda de nuevos talentos son igualmente importantes. La creación de equipos con conjuntos de habilidades diversas y complementarias y múltiples niveles de experiencia debe ser un aspecto importante de una estrategia de datos exitosa.

Competencia y competitividad a largo plazo

Los datos son los activos de una empresa, por lo tanto, trabajar con datos es un esfuerzo a largo plazo y la estrategia de datos requiere una visión a largo plazo. De hecho, una estrategia de datos exitosa debe tener un plan general que pueda superar la estrategia comercial para permitir una base a largo plazo para futuras estrategias comerciales y crecimiento. Esto se debe a que establecer la plataforma de datos, la infraestructura, el talento y la cultura requiere tiempo, y los resultados se convierten en activos de la empresa junto con los datos. Trabajar con activos de datos es muy diferente a crear programas o interfaces. Requiere una gestión cuidadosa, una inversión a largo plazo y un esfuerzo persistente. La estabilidad con una base sólida y capacidad es esencial para que una empresa crezca de manera eficiente y rápida con interrupciones y contratiempos mínimos. Si bien no sabemos exactamente cuál será el panorama tecnológico, una estrategia de datos exitosa ayudará a la empresa a prepararse y aceptarlo en lugar de reaccionar con tropiezos. En este aspecto, la fortaleza de una estrategia de datos efectiva enfatiza el valor que brindan los activos de datos y las personas, pero no las nuevas tecnologías, que son simplemente las herramientas y los enfoques para extraer y materializar el valor de los datos.

Si bien la estrategia de datos tiene los mismos componentes que la estrategia comercial, todavía es relativamente nueva en el mundo de la estrategia. Establecer una estrategia de datos correcta requiere primero una visión comercial y la alineación con una estrategia comercial. La estrategia de datos también debe considerarse como un habilitador de la visión a largo plazo, estableciendo la piedra angular en la que pueden confiar las futuras estrategias comerciales. Por último, evitar que una estrategia de datos sea puramente tecnológica o TI es la clave de su éxito. En otras palabras, una organización debe adoptar un enfoque holístico para adoptar una estrategia de datos a largo plazo, con inversiones tecnológicas, personas y procesos optimizados, para permitir un crecimiento empresarial continuo. Después de todo, como dice Jim Rohn: “El éxito es un 20 % de habilidades y un 80 % de estrategia. Es posible que sepas cómo tener éxito, pero lo que es más importante, ¿cuál es tu plan para tener éxito?”.