Data-drivenness trata de construir herramientas, habilidades y una Cultura Organizacional para actuar sobre los datos dentro de una Organización. Para ser data-driven hay dos requerimientos:
- Estar recolectando datos.
- Que los datos sean accesibles y consultables, idealmente que sean:
- Accurate.
- Timely.
- Relevant.
- Joinable.
- Shareable.
- Queryable.
Hay dos tipos principales de actividades:
- Reporting: organizar data en resúmenes para monitorear el desempeño del negocio.
- Análisis: transformar data en insights que faciliten el Procesos de Toma de Decisiones.
Actividades típicas de una organización data-driven:
- Testing continuo.
- Mentalidad de mejora continua.
- Modelado predictivo y retroalimentando a los modelos para mejorarlos.
- Selección de acciones futuras según un conjunto de variables ponderadas.
Se necesita una analytics value chain donde los datos son un ciudadano de primera clase. Data Reporting Analysis Action Value.
El máximo nivel de la organización en los niveles de analítica está correlacionado con el uso, compromiso y competitividad de analítica en la empresa.
Hay 3 niveles de capacidad de analítica en una organización:
- Aspiracional.
- Experimentada.
- Transformada (mayor ventaja competitiva).
Volverse Data-Driven
Las organizaciones del futuro gestionarán los datos como productos y tendrán una cultura que actúa sobre los datos. - Strengholt
Hoy, necesitamos redefinir como las personas, procesos y tecnologías se alinean con data. Hay tendencias de la industria que están impactando el data landspace:
- Analytics está fragmentando el data landscape por su diversidad de casos de uso.
- Nuevas metodologías de desarrollo de software vuelven a los datos difícil de gestionar.
- Cloud Computing está fragmentando el data landscape.
- La monetización de los datos requiere una arquitectura “de ecosistema a ecosistema”.
El read-versus-write ratio está cambiando significativamente.
Los OLTPs deben ser integrados con sistemas OLAPs, por lo que las organizaciones deben operar en ambientes colaborativos.
Data Management
Muchas empresas tienen arquitecturas de datos desactualizadas. Nuevos enfoques de data management consideran los trade-offs entre la centralización (enfoque tradicional) y la decentralización (el futuro de los datos):
- Data mesh: datos altamente distribuidos y escalables gracias a federar responsabilidades.
- Data fabric: visión arquitectural usando metadatos con una capa integrada end-to-end.
Data management es el conjunto de procesos que se usan para gestionar datos. hay 11 áreas funcionales:
- Data governance.
- Data architecture.
- Data storage and operations.
- Data security.
- Data integration and interoperability.
- Document and content management.
- Reference and master data management.
- Data warehousing and BI.
- Metadata.
- Data quality.
- Data modeling and design.
Para definir una estrategia de datos:
- enfocarse en objetivos de negocio y en la Estrategia de Negocio.
- Adaptar la cultura organizacional para que los datos la puedan potenciar.
- Balancearse entre “defensa” y “ataque”.
- Establecer hitos claros y medibles.
- Crear un plan de comunicación.
- Determinar una primera área de foco.
- Identificar barreras internas.
- Repensar la estrategia de talento.
- Definir nuestras capacidades de IT de siguiente generación.
- Definir una cultura data-driven.
- Recolectar datos sobre los ambientes actuales.
- Establecer una transición.
- Definir elecciones de tecnología de primer nivel.
- Crear una estrategia de gestión de costos.
La parte difícil está en diseñar una arquitectura que coincida con todos los requerimientos de la estrategia de datos.