Estamos cansados de escucharlo: ‘’Los datos son el nuevo petróleo’’. ¿Cómo podremos monetizarlo? 

Los países que tienen el petróleo no son ricos por el simple hecho de tenerlo, lo son por los ingresos que generan. Por ello, tener la cantidad suficiente no significa que esté monetizado, se refiere trabajo y mucho esfuerzo hasta poder llegar ahí.

Lo mismo pasa con los datos. La calidad del dato se basa en el centro de nuestro análisis sobre él, en cambio, se aferra a la doble cara de la moneda: algunas veces este análisis puede ser el gran olvidado y, otras tantas, el comienzo de los problemas.

¿Data driven o data governance?

Esta es la gran pregunta que puede responder al por qué de todos nuestros problemas para la gestión del dato. ¿Data driven o data governance? Quizá la duda esté en tener que elegir entre uno de esos dos conceptos. No son incompatibles así que… ¿Por qué no los dos?

Estamos acostumbrados a emplear distintos enfoques según el impacto de cada empresa, en cambio, con los datos es distinto. El valor que se puede obtener de un dato para cualquier empresa es algo intrínseco que va más allá de cualquier categoría y esquema. Pero… ¿cuáles son las diferencias?

  • Data-driven: Cuando una compañía emplea un enfoque data-driven implica que su toma de decisiones estratégicas están basadas en el análisis de datos y la interpretación de los mismos. 

Ser data-driven es tener un plan de negocio basado en los datos y que estos datos te ayuden a conseguir objetivos. Lo primero que tenemos que hacer es pensar en el plan de negocio que, realmente, son los datos y para ello no cabe la improvisación. La calidad no se improvisa, requiere cambiar mentalidad y dinero. Un enfoque data-driven permite que las empresas examinen y organicen sus datos con el fin de atender mejor a sus clientes y consumidores. 

  • Data governance: es el ejercicio de toma decisiones y autoridad para asuntos relacionados con los datos. Un buen programa de data governance incluye un órgano o consejo de gobierno, un conjunto de procedimientos definidos, y un plan para ejecutar dichos procedimientos.

¿Encontráis la diferencia? Yo tampoco. Es imposible que uno de los enfoques sobreviva sin el otro y, por tanto, no puede haber data-driven sin data governance.

Necesitamos del data governance

Es importante evaluar la preparación de la empresa para la implantación de un data governance. Es posible que haya una razón válida para que el modelo informal de gestión de datos actual se siga utilizando pero también podría haber una buena razón para que el cambio fuera perjudicial para la empresa.

Una organización necesita un data governance cuando se ve en alguna de estas situaciones:

  • La organización se ha hecho grande y la gestión tradicional no es capaz de hacer frente a actividades multifuncionales relacionadas con los datos.
  • Los sistemas de datos de la organización se han vuelto complicados.
  • Los arquitectos de datos de la organización u otros grupos necesitan el apoyo de un programa multifuncional.
  • Las regulaciones, normas, cumplimientos o requerimientos contractuales exigen un data governance más formal.

¿Cómo trabajar con datos?

Para poder trabajar con datos es importante tener en cuenta las distintas etapas del procesamiento de datos. 

  1. Recopilación de datos. Este es el primer paso. Los datos se obtienen de las fuentes disponibles, incluidos los archivos de texto y los almacenes de datos.
  2. Preparación de los datos. O como también se le llama “preprocesamiento”. Es la etapa en la que los datos sin procesar se limpian y organizan para la siguiente etapa. El propósito de este paso es eliminar los datos incorrectos y comenzar a crear datos de alta calidad para una mejor inteligencia empresarial.
  3. Entrada de datos. Luego, los datos limpios se ingresan en su destino y se traducen a un idioma que se pueda comprender.
  4. Procesamiento Se  puede realizar mediante técnicas de filtrado, análisis e visualización de datos e incluso con algoritmos de aprendizaje automático, aunque el proceso en sí puede variar ligeramente dependiendo de la fuente de datos que se procesa.
  5. Interpretación de los datos. La etapa de salida / interpretación es la etapa en la que los datos son finalmente utilizables para los usuarios. Los miembros de la empresa o institución ahora pueden comenzar a administrar los datos para sus propios proyectos de análisis de datos.
  6. Almacenamiento de datos. Una vez que se procesan todos los datos, se almacenan para su uso futuro. Además, los datos almacenados correctamente son una necesidad para cumplir con la legislación de protección de datos como GDPR. Cuando los datos se almacenan correctamente, los miembros de la organización pueden acceder a ellos rápida y fácilmente cuando sea necesario.

Lo importante es que la velocidad, la actualización, la seguridad y la accesibilidad nunca se vean comprometidas, puesto que, de suceder cualquiera de esos contratiempos se estaría malgastando el esfuerzo invertido en los procesos de datos.

Además, como hablábamos antes, es necesario monetizar estos datos para crear valor, por tanto, existen cuatro puntos a tener en cuenta para poder trabajar con ellos:

  • Identificar limpiar y definir para hacer disponible el dato desde la fuente hasta su uso.
  • Habilidad para construir análisis eficaces.
  • Capacidad para traducir análisis en decisiones exitosas.
  • Liderazgo para persuadir a todos los intervinientes de la necesidad de los datos.