8 maneras de hacer fracasar un proyecto de datos

Sep 7, 2021 | ESTRATEGIA | 0 Comentarios

Image credits: «Crossroads: Success or Failure» by ccPixs.com is licensed under CC BY 2.0

Invertir en datos y su explotación es cada vez más necesario para no quedarse atrás frente a los competidores. Sin embargo, esta carrera hacia el Big Data ha generado una serie de fracasos por no enfocar de la manera correcta este tipo de inversión, generando frustración y, en algunos casos, desilusión con las ventajas de ser más data-driven. Hay varias razones por las cuales una estrategia de datos fracasa y he querido resumir las que a mi parecer son las más comunes.

¡No te pierdas ningún nuevo vídeo!

Visita mi canal de Youtube

FALTA DE VISIÓN GLOBAL

Para que una estrategia de datos funcione y genere un retorno, as fundamental que el proyecto tenga una envergadura global, es decir desde la gestión del dato hasta el resultado para el usuario final. A menudo nos encontramos con proyectos muy enfocados en la parte tecnológica y gestión del dato, pero sin un enfoque claro sobre el uso final.

EL PROYECTO SE LIDERA DESDE TI

No tengo nada en contra del departamento de TI o el CIO, pero es necesario algo de “discriminación positiva” hacia las áreas de negocio. Es verdad que la implementación de un sistema de Business Intelligence y de estrategia de datos suele tener una muy importante componente tecnológica, pero he visto como casi siempre esto hace que el proyecto tenga un fuerte sesgo hacia las necesidades de gestión del dato, seguridad, etc. y poco hacia las necesidades de su uso final por parte del negocio. El departamento de TI no suele tener una visión global de la estrategia de negocio y por ello lo más adecuado es que actúe como proveedor en un proyecto liderado por una persona más cercada al usuario final y con visión global.

EL RESULTADO NO TIENE EN CUENTA EL USUARIO FINAL

Esto va ligado al punto anterior, es decir que a menudo nos olvidamos de las necesidades concretas de quien al final va a usar el dato, desde la facilidad con la cual podrá aprender a usar la herramienta elegida, hasta el tipo de información que necesita.

CALIDAD Y GRANULARIDAD DEL DATO NO ADECUADA

La famosa frase “garbage in – garbage out” es más que cierta, la calidad de lo que utilicemos como materia prima reflejará la calidad de los resultados obtenidos. Por ello es importante, una vez definidos los objetivos y resultados, definir la calidad y granularidad adecuada del dato para conseguirlos.

SOLUCIÓN NO ADECUADA

Tanto si optamos por una solución interna como por una externa, no podemos utilizar lo que más otras empresas utilizan o lo que la consultar suele vender a otros. Es importante aproximar un retorno de inversión y optar por la solución con un balance coste-beneficio positivo. Optar por las mejores soluciones en calidad, procesamiento, disponibilidad en tiempo real etc. no es rentable en todas las situaciones y hay que valorar bien si una mejora en la calidad de la solución se compensa con una mejora mayor en términos de beneficios.

PERFILES EQUIVOCADOS

Es importante saber diferenciar y ubicar correctamente a los diferentes perfiles implicados en una estrategia de datos: programadores, científicos de datos, analistas, estadísticos, ingenieros de datos etc. Aunque sea verdad que en empresas más pequeñas es necesario un perfil más multifuncional, un error común es intentar buscar un experto en programación, estadística, bases de datos, negocio, diseño web, marketing digital, Excel, R, Python, Spark, SQL etc. Estoy exagerando por se entiende la idea… Si no es posible disponer de todos los perfiles necesarios internamente, habrá que optar por externalizar algunos, por lo general los más tecnológicos.

FALTA DE CULTURA

El último punto puede parecer menos importante, pero tiene la última palabra en el éxito o fracaso de una estrategia de datos. Podemos disponer de buenos datos, con la solución adecuada, una alineación con los objetivos etc. pero si no creamos una cultura data-driven fracasaremos. El cambio cultural desde venir desde arriba con los ejecutivos que basen las decisiones en los datos, y así hacia abajo donde cada departamento y persona entienda la importancia y sepa manejar y entender lo datos y su análisis.