Estrategia de datos: primero el propósito, después el plan

Esta clase me costó al principio: durante la primera parte no tenía claro a dónde queríamos llegar. Al final todo encajó y me dejó una idea que sirve igual para un proyecto que para un equipo entero: antes de hablar de datos, hay que saber para qué.

Empezar por el destino

Rafael abrió la clase con una frase de Séneca que me quedé apuntando:

No hay viento favorable para el que no sabe dónde va.

Todo proyecto, sea de un equipo o de una empresa entera, empieza con un objetivo. Una estrategia, nos explicó, es un propósito más un plan. El propósito define qué valor queremos generar y cómo lo mediremos; el plan lo convierte en acciones. El camino completo pasa por siete paradas, y esta clase se centró en las dos del medio: diagnosticar dónde estamos y diseñar cómo llegar.

Organizaciones data-driven

Una organización data-driven pone el dato en el centro de sus decisiones. Lo que más me gustó es que el punto de partida no es la tecnología, sino la pregunta: saben formular las preguntas de negocio adecuadas para responderlas con datos. Estas son las características que más se repiten, contadas con mis palabras:

• La mayor parte de su valor sale del uso de los datos, y saben medirlo.
• Se hacen preguntas de negocio que los datos puedan contestar.
• Tienen los datos listos para usarse, no atrapados en silos.
• Cuidan el talento de datos que ya tienen dentro.
• Ofrecen al cliente una experiencia diferente: productos, precios y comunicación personalizados, y capacidad de anticiparse.
• Usan la IA agéntica como acelerador.

¿En qué punto estamos? Control, optimización y transformación

La parte que más me hizo pensar fue un esquema para situar una estrategia de datos según su madurez analítica y su ambición. Este es mi dibujo de la idea:

Las tres zonas no son mejores o peores, son etapas, y cada una pide cosas distintas. Lo incómodo fue aplicármelo: pensé en proyectos míos que creía bastante avanzados y que quizá aún no han dado el salto que necesitan para pasar de una zona a la siguiente.

Un ejemplo: pedir un préstamo para un coche

Para bajarlo a tierra, Rafael usó el recorrido de una persona que pide un préstamo para comprar un coche. Como trabajo en financiación al consumo, lo reconocí enseguida. Son seis momentos y cada uno usa datos distintos: fijar los objetivos estratégicos, lanzar una campaña de préstamos personales, recibir la solicitud, decidir el riesgo y el precio, desembolsar el préstamo y, por último, reportar al supervisor y medir los resultados.

La conclusión es que no basta con tener buenos datos en cada paso. Hace falta un modelo de datos que conecte todos los pasos y que todos los equipos entiendan igual. Ahí quería llegar toda la clase.

Del diagnóstico al plan: dos herramientas

Para pasar de la teoría a la práctica, Rafael nos presentó dos herramientas del Club de CDOs Spain&Latam, creadas por responsables de datos de distintos sectores:

• dataMat, el diagnóstico. Una encuesta de 105 preguntas, cinco por cada uno de los 21 ámbitos del mundo del dato. Cada empresa la responde con honestidad y recibe una puntuación en cada ámbito, para ver en qué punto se encuentra.
• dataToolkit, el juego de tarjetas. Una tarjeta por cada uno de esos 21 ámbitos, que nos regaló en clase. En cada una te sitúas en uno de tres niveles: un punto si estás muy mal, dos si estás regular y tres si estás bien.

Un ejemplo con el diccionario y glosario del dato:

Me gustó pensar en esto como un roadmap: el diagnóstico te dice dónde fallas y el plan te ordena los pequeños cambios para mejorar paso a paso.

Lo que me llevo a mi trabajo

Revisar el modelo de datos de un área. Los modelos de datos alimentan análisis, dashboards, modelos predictivos y de riesgo, y los datos suelen llegar desde tecnología para transformarse en inteligencia de negocio. Una buena pregunta es si el modelo de un área cumpliría esos 21 ámbitos. Es difícil extrapolarlo a una empresa entera, pero empezar por lo pequeño, un modelo bien hecho para un área, importa mucho: ayuda a que las tablas se entiendan entre sí y a que la IA pueda relacionarlas y construir modelos coherentes.

Acercar el dato a todo el mundo. Rafael insistió en que, en una empresa data-driven, incluso quien no usa datos a diario necesita entender qué pasa en la organización. Y hay que explicárselo en su idioma: no se habla de datos igual en todos los equipos. Generar esa cultura del dato, a un nivel que cada persona pueda manejar, es una parte esencial del trabajo.

Un proyecto que me gustaría hacer. Acercar los datos a las personas con las que trabajo, con tres ideas:

• Un modelo de datos propio para cada grupo, con sus necesidades y un vocabulario que entendamos todos.
• Una vista sencilla e individual, que cada persona pueda consultar para entender su día a día y que también le motive.
• Escuchar antes de construir: hablar con personas de perfiles distintos, desde quienes mejor rinden hasta quienes necesitan más apoyo, para entender qué necesitan y qué les motiva.

Ecosistema, la palabra clave

Si me quedo con una palabra de la clase es ecosistema. El salto a la transformación llega cuando los modelos de datos se relacionan de forma óptima y generan un ecosistema en el que los datos de cada área alimentan a las demás.

Lo que me llevo

Antes de elegir tecnología, hay que tener claro el para qué. Después, diagnosticar con honestidad en qué punto estamos y construir un plan pequeño y repetible. Y recordar que el dato solo genera valor si lo entiende quien lo usa.

Gracias a Rafael Fernández Campos por la clase en la que se basa este artículo.