De Data Project a Data Product: El necesario cambio de enfoque para las organizaciones

Los datos como piedra angular de cualquier negocio. Así podríamos describir una de las tendencias más relevantes en el ámbito de las TI empresariales y el rumbo que siguen las organizaciones más innovadoras hoy en día. Son las llamadas empresas data driven, aquellas que lograr una toma de decisiones tomando como base al valor que extraen de los datos que generan y gestionan.

Sin embargo, esta estrategia ha ido evolucionando en los últimos meses y hoy frente a los proyectos de datos surgen los productos de datos.

Ambos giran en torno a los datos pero tienen objetivos y resultados diferentes. Un proyecto de datos es un esfuerzo temporal para lograr un objetivo específico relacionado con el procesamiento, el análisis o la gestión de datos, con fecha de inicio y fin definida y centrado en resolver un problema empresarial concreto o responder a una pregunta específica. Frente a este enfoque, cada vez toma más fuerza el modelo Data Product o producto de datos, un modelo más sostenible y continuo en el tiempo que proporciona un valor permanente a sus usuarios.

Para analizar estos dos modelos, el valor que ofrecen al negocio y cómo realmente afrontarlos con éxito, Silicon España organizó junto a Keepler Data Tech un evento en el que participaron Ana Jiménez Castellanos, Specialist AI/ML Iberia en AWS; Julia Díaz, Head of Data Science de Repsol; David Saturio, Head of Solution Architecture for Analytics de Amadeus; Senén García, Data Scientist en Técnicas Reunidas; Miguel Martín, Chief Engineer Unmanned Aerial Systems en R&D Airbus; Jorge Cano, Global Risk Management Information en CaixaBank; Ruth Vilar, Head of Data & Analytics de Gedesco; y Jorge Gordillo, IT/OT Integration Manager y Francesc Esteve, Data Manager, ambos en Celsa Group.

Un encuentro conducido por Daniel de Blas, responsable de Branded Content de NetMedia y que abría Esteban Álvarez, Business Development en Keepler Data Tech explicando precisamente la diferencia entre un proyecto de datos y un producto de datos. Así, según sus palabras, “un producto de datos se alarga en el tiempo, adaptándose y evolucionando según lo hace el propio negocio”.

Su base, los datos, y su objetivo, extraer el valor que encierran para permitir a las compañías agilizar la toma de decisiones al tiempo que mejorar su eficiencia y productividad.

Estrategias basadas en datos en las que la Inteligencia Artificial resulta el mejor aliado como explicó Ana Jiménez Castellanos, Specialist AI/ML Iberia en AWS, socio estratégico de Keepler. “La Inteligencia Artificial y el dato nos ayudan a unir negocio y tecnología”, aseguraba.

Implicación del negocio

Pero, para que realmente se pueda ofrecer esa unión y, sobre todo, obtener el valor que encierran los datos, para Ana Jiménez es esencial que sea el negocio el que impulse estos desarrollos. “Son muchas las empresas que están experimentando ya con el uso de la Inteligencia Artificial en su organización pero a las que les cuesta mucho llevar a la práctica estos desarrollos. Las razones son varias, desde la escasez de perfiles especialistas a la falta de datos de calidad pero sin duda hay algo que sí o sí tiene que haber y es el apoyo de la organización, desde la parte de negocio. De otro modo, por muy bonita que te quede la estrategia de Inteligencia Artificial y datos, sin la cultura de la empresa involucrada, no sirve de nada”, afirmó.

Y ese compromiso e implicación es precisamente lo que sí existe en Repsol, según explicó Julia Díaz, Head of Data Science de la compañía. “Nosotros aplicamos la ciencia de datos a todas las áreas de negocio y la Inteligencia Artificial es una de las bases de nuestra digitalización. De hecho, de las más de 600 iniciativas que hemos realizado hasta ahora en nuestra estrategia de transformación digital, la mayoría tenía ya un componente de Inteligencia Artificial, entendiendo ésta como el uso de los datos, utilizando algoritmos y capacidades de cómputo. Nuestra estrategia es clara: ver con las áreas de negocio qué necesitan, qué data product les han aportado valor y cuáles no y así intentar “reutilizar” esas soluciones y herramientas, adaptándolas a nuevas necesidades de otras áreas de negocio. Una especie de “apificación” que nos permite ser más ágiles”.

Algo que apoyaba Esteban Álvarez, de Keepler Data Tech, ya que, en su opinión, muchas veces la solución, adaptándola, puede ser la misma. “Ese enfoque es precisamente al que responden los productos de datos. Nosotros vemos con nuestros clientes sus necesidades y muchas veces la solución, adaptándola, puede ser la misma. Es cierto que no es lo mismo una solución para detectar fraude en una transacción bancaria que para detectar fraudes en el consumo de agua pero, al final, utilizas un modelo similar para los dos y la estructura que va por debajo de ese modelo es la misma, la misma arquitectura e infraestructura. Hay que modelizar y personalizar esa solución según el cliente y su caso de uso pero es verdad que es posible reutilizarla y, de este modo, el tiempo de desarrollo y la inversión económica son menores”.

En la misma línea se situaba Ruth Vilar, Head of Data & Analytics de Gedesco. Como explicó, “desde la dirección de la compañía hay una apuesta clara por el uso de los datos y una conciencia de la importancia que estos tienen para el negocio”. Así, por ejemplo, la Inteligencia Artificial ya es una realidad en la compañía para casos de usos como el análisis de riesgos, identificación de potenciales clientes para incrementar las ventas o automatización de procesos.

Y con el enfoque de reutilizar como base también: “Nuestro objetivo es hacer soluciones muy modulares, productos de datos muy genéricos que pueden utilizar distintas áreas de negocio, sin tener que desarrollar desde cero cada solución”.

Resistencia al cambio o regulación, algunas barreras

Pero en ese objetivo común de analizar los datos y desarrollar productos que puedan extraer el valor que estos encierran aún son varios los retos que encuentran las compañías, más allá del compromiso de la organización.

Así lo ponía sobre la mesa Senén García, Data Scientist en Técnicas Reunidas quien explicó cómo están abordando una estrategia de datos, un road map completo y una metodología común. En ese sentido, uno de sus primeros pasos ha sido abordar un proyecto de gestión de los datos no estructurados en la compañía. “Necesitábamos gestionar, por ejemplo, toda la información que generamos en distintos documentos y formatos como Word, PDF, imágenes, etc. y hacerlo de una forma unificada” y añadía la importancia de contar con soluciones que permitan la gobernanza del dato.

Un aspecto en el que coincidía Jorge Cano, Global Risk Management Information en CaixaBank. “Nosotros trabajamos y vivimos del dato y uno de nuestros objetivos, en ese sentido, es potenciar la automatización y la agilidad en los procesos pero uno de los principales problemas que encontramos es precisamente la calidad de los datos. Para nosotros cualquier cambio de un dato por parte de una de las empresas o clientes que tenemos supone un gran problema que necesitamos abordar”.

Otra barrera a la hora de acometer una estrategia de datos en la que coincidieron los participantes en el evento fue la legislación. Así, al igual que el representante de Caixabank que apuntaba cómo por ser una entidad financiera están sometidos a rigurosas normas, Miguel Martín, Chief Engineer Unmanned Aerial Systems en R&D Airbus también explicaba cómo esa legislación limita en ocasiones los proyectos de datos que pueden desarrollar. “Nuestra área concreta de trabajo es el desarrollo de drones; lo que realmente importa de un dron es lo que puede hacer, por ejemplo, el control de fronteras, la información que va a aportar por lo que podríamos decir que el dato es nuestro producto. Pero también es cierto que precisamente por nuestra actividad, existen regulaciones muy estrictas de seguridad que hacen que la explotación de esos datos tenga que limitarse en muchas ocasiones”, reflexionaba.

La democratización del dato es el objetivo que persiguen actualmente en Amadeus, según explicó David Saturio, Head of Solution Architecture for Analytics de la compañía. “Actualmente, además de llevar a la nube toda la parte de analítica, estamos trabajando para tener una plataforma común, donde sea sencillo y ágil acceder al dato. Que sean las áreas de negocio las que puedan acceder a la tecnología y al dato y crear lo que necesitan, a partir de un catálogo de aplicaciones ya definidas. Hay una política de accesos a esos datos, según su criticidad. Y ahí es donde encuentras nuevos desafíos como es la resistencia al cambio dentro de la propia empresa. No hay recursos suficientes, especialmente en perfiles especialistas, y muchas personas que se resisten a estas nuevas formas de hacer las cosas”.

Una resistencia que también compartían desde Celsa Group. Por ejemplo, en ese sentido, Francesc Esteve, Data Manager de la compañía exponía cómo están abordando un proyecto para construir un data lake empresarial y, “además de tener que lidiar con equipos obsoletos, muchas veces la cultura de la organización es el principal reto con el que lidiar”.

Precisamente por eso, Jorge Gordillo, IT/OT Integration Manager, también de Celsa Group, defendía la figura del “traductor”: “Nosotros defendemos los equipos híbridos. Por ejemplo, en nuestro equipo de digitalización hay un directivo del área de Recursos Humanos. Es necesario implicar a todo el negocio en cualquier proyecto de innovación. Es lo que llamamos el rol del traductor, perfiles que pueden estar en la parte de tecnología y en la parte de negocio”.

Un reto indiscutible, extraer el valor de los datos, en el que quedó claro durante el evento que no sólo el desafío es tecnológico. De nuevo, la cultura organizativa, el talento y la resistencia al cambio marcan un camino del que, sin duda, no hay vuelta atrás.