A medida que maduran las herramientas y la tecnología de datos, las organizaciones se dan cuenta de la necesidad de que su gente se transforme junto con su tecnología para lograr un verdadero valor.
Motivación
En la primera entrega de esta serie, escribí sobre cómo la evolución de la tecnología de datos está impulsando el valor basado en datos para las organizaciones. Específicamente, el concepto de DataOps, que busca agregar flexibilidad y escalabilidad a las canalizaciones de datos tradicionalmente rígidas, es un enfoque a la vanguardia de la modernización de la plataforma de datos. La transformación digital en todas sus manifestaciones ha alterado la tecnología y la forma en que las organizaciones la utilizan, pero también está transformando la forma en que los equipos se forman, colaboran y entregan. Las organizaciones de todas las industrias sienten la presión de hacer más con menos, y si las empresas no están transformando a su gente y procesos junto con su tecnología, no se logrará el verdadero valor.
Por lo tanto, igualmente, si no más crítica, para el éxito de la Transformación Digital efectiva es la modernización de los equipos que aprovechan los datos y el análisis para generar valor y conocimiento. Por supuesto, las habilidades de varios equipos de datos y análisis se están volviendo más modernas (también discutidas en el artículo mencionado anteriormente), pero en este caso, me refiero al modelo operativo de los diversos equipos a lo largo del ciclo de vida o a lo largo del espectro de datos. conversión a conocimiento. Ya sea que el equipo esté directamente en la organización de TI del CIO o si está integrado dentro de una unidad de negocios, abordar la entrega de datos y análisis de una manera más moderna está pagando dividendos.
¿Qué significa decir que su equipo de datos es "moderno"? En esencia, los equipos de datos modernos operan al servicio de hacer crecer la asociación entre el negocio y TI. Mi colega, Amanda Inman, escribe sobre esto en su artículo que relaciona los resultados con la entrega centrada en el producto. Si aquellos en el lado técnico de la entrega de datos buscan deleitar a sus clientes al igual que los equipos comerciales y de productos, entonces se forma un modelo operativo sinérgico que genera mejores resultados en toda la cadena de valor.
Características de un equipo de datos moderno
Para resumir el equipo de Modern Data: está orientado al producto, es colaborativo y ágil. La única forma en que un equipo puede equilibrar las demandas y prioridades contrapuestas de las partes interesadas es concentrarse en sus productos e infundir agilidad y colaboración en sus formas de trabajo.
Característica #1: Orientado al Producto
Cada equipo, ya sea que administre bases de datos, desarrolle canalizaciones, cree tableros o entrene modelos de aprendizaje automático, tiene clientes. Tener clientes significa que la producción, por más técnica que sea, es vista como un producto por otra persona. Las ideas de producto y cliente existen casi indistintamente: si un equipo piensa en su cliente, entonces debe pensar en lo que produce y cómo el cliente obtiene valor de ello. Si ese mismo equipo piensa en su producto, entonces la única hoja de ruta del producto que tiene sentido es aquella en la que se implementan características para aumentar la percepción de valor del cliente.
Considere el escenario en el que el producto de un equipo es "análisis de autoservicio". Tal iniciativa necesita una visión, una hoja de ruta y marketing para las partes interesadas internas. De manera similar al desarrollo de nuevos productos, el equipo debe comprender la demanda y el apetito de los clientes por el autoservicio y qué características del producto son esenciales versus negociables. Centrarse en el producto garantiza que ningún equipo informe a la gerencia que "ha hecho todo este trabajo y nadie lo usa".
Característica #2: Colaborativo
Orientarse en torno a los productos refleja que todos los equipos que trabajan con datos participan en una cadena de suministro. Este ecosistema complejo tiene muchos jugadores y procesos detallados mediante los cuales la "materia prima" de los datos se transforma en productos terminados. A diferencia de las cadenas de suministro del mundo físico, esta cadena de suministro se puede integrar más fácilmente a través de transferencias de datos por lotes, colas de transmisión y API REST. La integración eficiente es solo el comienzo de la colaboración que debe ocurrir entre los actores de esta cadena de suministro para que sea lo más eficaz posible.
La colaboración transforma la orientación vertical de varios equipos de datos y análisis y la realinea horizontalmente. Los equipos ya no pueden preparar ciegamente su salida de datos de acuerdo con las mejores prácticas obsoletas, sino que deben tener en cuenta los matices y los casos de uso para los usuarios intermedios. El ejemplo por excelencia de esto es la selección de datos para los equipos de Business Intelligence (BI) y Data Science. BI (es decir, creadores de informes y tableros) requiere datos muy limpios, a menudo agregados, para facilitar consultas analíticas rápidas. Por otro lado, los científicos de datos extraen mucho valor no solo de lo que hay en los datos, sino también de lo que no se refleja en ellos. El acceso a datos granulares que se pueden diseñar en covariables estadísticamente significativas es casi lo contrario de lo que podrían requerir sus contrapartes de BI. En consecuencia, el equipo de ingeniería de datos no debe aplicar ciegamente reglas comerciales que excluyan los datos críticos para un equipo posterior en favor de otro.
Característica #3: Ágil
Si hubiera una palabra que pudiera resumir casi por completo la esencia del Modern Data Team, sería "Agile". Si bien es probablemente la palabra más abusada y sobreutilizada en lo que va del siglo XXI, captura no solo lo paradójico naturaleza de la modernización, sino también el estándar por el cual se mide la modernización. Y por 'Agile' no me refiero a ningún marco específico imaginado por un grupo de cerebritos en un albergue de esquí en el pasado, sino a un compromiso de mejorar continuamente y reflexionar sobre lo que produce un equipo de datos y cómo lo produce.
Tal vez sea más fácil pensar en entrenar un modelo de aprendizaje automático de forma ágil que, digamos, administrar un grupo de servidores de bases de datos (en la era de la nube, ¿realmente debería estar haciendo esto de todos modos?). Pero infundir principios ágiles como la capacidad de respuesta y el enfoque en el cliente puede dar como resultado un equipo más saludable y centrado en los resultados, independientemente de su producto.
Puntos de partida y mejores prácticas para el equipo de datos moderno
Para resumir y especificar algunos puntos de partida(que se contextualizan en su organización para convertirse en una "mejor práctica") para el equipo de Modern Data:
- Adapte un marco Agile híbrido que funcione para su equipo y sus clientes: a menudo, una acumulación de tareas operativas/de soporte al estilo Kanban puede funcionar mejor que Scrum, mientras que un equipo de Machine Learning puede encontrar mucho valor en organizar su trabajo en un scrum más definido. -estilo de sprints. Si bien existen reglas generales sobre cuánto debe durar un Sprint, los equipos centrados en datos a menudo adoptan Sprints de tres semanas para darles el tiempo adecuado para diseñar, entregar y validar la funcionalidad incremental.
- Defina la función y las responsabilidades de su Propietario de Producto y sí, cada equipo de datos tiene un Propietario de Producto: Los equipos a lo largo de la cadena de suministro de datos necesitan un Propietario de Producto para influir en la estrategia del producto y observar lo que el equipo está logrando. Recabar la opinión del propietario del producto es la forma más directa de garantizar que se toma en serio la mejora continua. Los Propietarios de Producto relacionados con los datos no suelen empezar como recursos dedicados; son administradores, analistas y líderes de línea de negocio que tienen un interés personal en los resultados del equipo.
- Trate los MVP como "productos de valor mínimo": En lugar de enfocar sus productos como lo que podría ser "mínimamente viable", piense en cómo se pueden ofrecer rebanadas finas y verticales de funcionalidad para seguir añadiendo valor a su cliente. Aunque puede que no tenga todas las campanas y silbatos, este enfoque de un MVP demuestra iterativamente a tu cliente que entiendes sus necesidades y que puedes desplegar una solución para satisfacerlas.
Conclusión
A menudo las personas y los procesos se pasan por alto cuando la Transformación Digital se afianza en una organización. Los puntos de inflexión para el éxito durante las iniciativas de modernización no se basan en lo bien que configure una nueva herramienta de datos, sino que se definen por lo bien que sus equipos modernicen sus formas de entregar datos y análisis a sus partes interesadas. Aunque los datos deben ser coherentes, completos y fiables, esto no presupone que la entrega se enfoque de forma ágil, colaborativa y orientada al producto. Abordar la entrega de datos y análisis de una manera que ponga la satisfacción del cliente en primer plano mejorará en gran medida la calidad y la probabilidad del éxito transformador.