Gobierno del dato: desafíos y factores clave.

El gobierno del dato ha experimentado en los últimos años una gran explosión. Ya os contamos qué es el gobierno del dato y a qué se debe esa creciente demanda de iniciativas y creación de oficinas de datos.

Ahora, toca ‘meterse en harina’ y debatir sobre los retos que nos enfrentamos en la implantación del gobierno del dato y los factores claves necesarios para crear una cultura del dato.

Hablamos con nuestro compañero Alberto Serrano, Data Business Development Lead en Paradigma Digital, que nos da su visión sobre los grandes desafíos que enfrenta el mundo del gobierno del dato.

1. En temas de datos, uno de los grandes desafíos es definir quién es el responsable de mantener la definición de los datos actualizada, de garantizar que los datos sean correctos, ¿es esto parte del alcance del gobierno del dato?

Absolutamente. Cuando estamos realizando el set-up de un modelo organizativo para el gobierno del dato, uno de los retos es definir las distintas funciones involucradas en el mismo, de acuerdo al contexto de la organización (nivel de madurez en gobierno y gestión de datos, tamaño, etc.), así como identificar a las personas capaces de asumirlas (no necesariamente de forma autónoma en una primera etapa, aunque sí con el acompañamiento adecuado).

Entre estas funciones están las de esos responsables de mantener la definición de los datos actualizada, y donde podemos destacar las siguientes (a título ilustrativo, ya que es clave adaptar/simplificar/extender estas funciones a nuestro contexto organizativo):

1. Data owners, como máximos responsables de la definición del dato, de qué términos de negocio tenemos en nuestros dominios funcionales de datos.

2. Data stewards, encargados de la caracterización más detallada del dato, incluyendo esos metadatos a los que hacíamos referencia antes, qué tipos de formatos utilizan, cómo deben de ser visualizados, quién puede acceder a ellos, qué reglas de calidad tienen asociadas, etc.

Cuando estás arrancando una iniciativa de gobierno del dato (que además no es un proyecto, es una actividad que tienes que mantener de forma continua, aunque tenga un set-up inicial) inicialmente nadie quiere ser “gobernador”, y un gobierno sin gobernador es bastante complicado, incluso aunque tengamos herramientas que lo soporten.

A menudo, si te diriges a alguien del negocio, que es la persona ideal que conoce el dato y que conoce lo que debería significar el dato, lo primero que dice es: “¿qué es eso de data owner?, ¿qué quieres que haga?, ¿cuánto tiempo nos va a consumir?”.

Al final, es imprescindible una labor de acompañamiento, y casi de evangelización, para ayudar a las personas de nuestra organización a asumir esos roles de gobierno.

Es importante recalcar que estas funciones están repartidas y no recaen sobre las mismas personas. Para ello, otra de las labores que se hacen durante este set-up de gobierno es identificar una serie de dominios funcionales para categorizar la información, como Marketing, Financiero, Operaciones, Cliente, etc., distribuyendo así la responsabilidad sobre el ownership del dato.

Evidentemente, esta es una aproximación muy simplista y, como decíamos, siempre hay que adecuar el modelo organizativo al contexto (capacidad, madurez, cultura, etc.) de una organización.

En ocasiones, podremos tener distintos roles con distintos niveles de granularidad, e incluso complementar estos roles desde el área de IT ya que, en muchas organizaciones, es donde hay un mayor conocimiento del dato.

A veces, es el analista de un área de Business Intelligence el que, al fin y al cabo, te tiene que ayudar a identificar el dato, más que la persona de negocio. Lo cual nos sigue suponiendo un problema de capacidad, ya que estas personas suelen estar también totalmente ocupadas en su día a día.

Es importante planificar adecuadamente el tiempo necesario para poder desempeñar las funciones de gobierno del dato en las distintas etapas de implantación del mismo, y poder evolucionar hacia un modelo organizativo ágil, distribuido o federado.

2. ¿A qué otros retos nos enfrentamos en la implantación del gobierno del dato?

Además de la falta de capacidad y de involucración que comentábamos, otro reto muy relacionado es hacer frente a la no existencia de una cultura del dato en la que se aprecie que el dato nos puede apoyar de forma real en la toma de decisión.

No llevando sólo el dato a niveles gerenciales, sino a todos los niveles de la organización, a quien realmente puede tomar acción directa a partir del dato, y buscando siempre elementos positivos y motivadores.

Por ejemplo, si queremos usar el dato para el fomento de la competitividad (dirección por objetivos al fin y al cabo), hay que enseñar a la vez cómo el dato actúa de guía para ayudarnos a lograr nuestros objetivos. Haciendo que el dato se convierta en esa brújula que nos marca el camino.

En este sentido, es clave realizar una aproximación al gobierno del dato que sea lo menos intrusiva posible, introducir un modelo de gobierno no intrusivo, facilitador, no controlador e impositivo, sino acelerador, de apoyo, intentando lograr un nivel de involucración paulatino de la organización en el propio gobierno del dato, distribuyendo la toma de decisión sobre los procesos de datos y, por ende, también la responsabilidad, siguiendo los principios de lo que entendemos por Agile Data Governance (y de lo que nos gustaría hablar con mayor profundidad en otro momento).

Otro de los retos es identificar esos activos de datos que de verdad aportan valor, así como los casos de uso que podemos construir sobre los mismos. No olvidemos que la tecnología no deja de ser un factor habilitador clave, pero nunca el objetivo en sí mismo. A veces, perdemos de vista el auténtico objetivo y nos dejamos llevar por la sensación de que la tecnología o las herramientas nos van a resolver mágicamente nuestros problemas.

Aunque por otra parte, la tecnología es indispensable para poder instrumentar estos procesos de gobierno, de forma que no nos quedemos en el mundo de la definición, sino que aprovechemos los avances de la industria en herramientas de última generación que introducen nuevas capacidades, apoyándose en el uso de la Inteligencia Artificial, además de aspectos colaborativos fundamentales para extender su uso, y nos permiten acelerar aspectos como los siguientes:

1. Catalogar nuestros activos de datos y caracterizarlos con metadatos que luego nos permitan construir procesos de gestión de datos metadata-driven, industrializando así prácticas de data management.

Señalar en este punto que las herramientas, sin llegar nunca a hacernos todo el trabajo sucio, sí que al menos nos van a acelerar significativamente dicha catalogación con técnicas de IA, para poder abarcar el amplio espectro de soluciones que representan nuestro ecosistema de datos (ya sea en nuestros sistemas operacionales, informacionales, Big Data, ML, APIs, arquitecturas orientadas a eventos, etc.).

2. Definir de forma colaborativa nuestros términos de negocio, en nuestro business glossary, y mapearlos con nuestros activos de datos, de forma que podamos identificar con facilidad dónde estos están reflejados dentro de nuestro ecosistema de datos.

3. Instrumentar la calidad en nuestros procesos de datos, medir, y permitir activar los planes de remediación adecuados, gracias también a herramientas de linaje de datos multiplataforma que nos permitan identificar fácilmente de dónde surge una deficiencia de datos.

Para hacer todo esto realidad es fundamental de nuevo no sólo el gobierno de datos y la tecnología, sino también el factor humano. Es imprescindible un alineamiento y trabajo en equipo de Oficinas de datos con equipos de Arquitectura de datos, equipos de Desarrollo... (me viene a la cabeza esa canción de Phil Collins que canta You know we're two hearts believing in just one mind...).

Este alineamiento entre gobierno y arquitectura de datos es fundamental. Una arquitectura funcional definida por el gobierno de datos y reflejada en una arquitectura tecnológica y unas prácticas de data management, en lo que podríamos denominar Data Framework, es de por sí gobierno.

Soporta el gobierno, por ejemplo, instrumentando de forma guiada por metadatos políticas de calidad, o políticas de anonimización de datos sensibles para cumplimiento del RGPD, y establece a la vez estructuralmente el ciclo de vida del dato, al dictar en qué tipo de tecnología, con qué estructuras, debe residir el dato dentro de nuestra arquitectura.

Y hablando del desarrollo de casos de uso, o productos de datos, otro reto que surge durante la implantación del gobierno es hasta qué punto debemos de incorporar estas prácticas de gobierno a estos productos de datos.

Aquí es fundamental buscar un equilibrio entre incorporar poco a poco las prácticas de gobierno en los proyectos, y frenar el avance de los mismos. El gobierno de datos debe de servir e impulsar a los proyectos, y no es fácil a veces encontrar el equilibrio, en especial en las primeras etapas de implantación.

Por otra parte, es conveniente anticipar las líneas de trabajo desde el gobierno antes de que empiece un caso de uso, como la catalogación de sistemas de información, la definición de dominios funcionales, modelado de datos corporativo, etc., para que el gobierno actúe como acelerador de los casos de uso, sin convertirse en un freno o impedimento.

Cerrando esta pregunta, podríamos considerar como uno de los mayores retos el justificar el valor del propio gobierno de datos, que puede llegar a ser enorme por la utilidad que tiene en las líneas que ya hemos comentado. Irónicamente, uno de los retos principales es cómo podemos vender este valor en interno.

De ahí que sea fundamental seleccionar las áreas de aplicación del gobierno de forma que casi podamos justificar que el gobierno se paga sólo, estableciendo desde el principio un modelo de cálculo de retorno de inversión, y no únicamente una medición del grado de implantación del gobierno, y seleccionando las áreas donde mayor beneficio podamos obtener (grado de mejora de entendimiento del dato, de mayor deficiencias de calidad, de documentación sobre sistemas existentes, etc.).

3. ¿Qué factores son clave para crear una cultura del dato y lograr que la actividad de las compañías, personas, procesos sea realmente data-driven?

Lo primero es identificar qué dato es de valor y para quién lo es. Como decíamos antes, esto lo realizaremos a todos los niveles, no nos quedaremos solo a nivel gerencial sino que llegaremos a todos los niveles de la organización, especialmente a los que pueden actuar sobre el dato, incluso en tiempo real. Haciendo que el dato nos sirva como una brújula y nos guíe en el momento que podemos tomar acción sobre él y no cuando ya es demasiado tarde para reaccionar, cuando ya no vamos a lograr cumplir con nuestros objetivos, etc.

Además, otros aspectos importantes que nos pueden ayudar a crear una cultura del dato son:

• Lanzar una iniciativa de comunicación y endomarketing consistente de divulgación, comunicación y evangelización de los beneficios del dato.
• Tener datos confiables, de calidad, y disponibles en el momento en el que lo necesito, y no después.
• Tener herramientas de autoservicio que nos permitan acceder al dato, crear nuestras propias visualizaciones, y descubrir nuestros propios insights, utilizando el dato con una visión de negocio (capa semántica), sin tener que entender la complejidad técnica subyacente.
• Y, ligado con estos aspectos de evangelización y de divulgación, es fundamental poder medir el impacto, pensar desde el principio qué retorno de inversión tienen estas iniciativas de gobierno, calcularlos, poner de KPIs no sólo de nivel de progreso en la implantación de una iniciativa de gobierno, sino KPIs de retorno de inversión real está teniendo el gobierno del dato.

Y no podemos olvidar la capacitación y el acompañamiento, en todas las dimensiones relacionadas con el mundo del dato, y siempre en el contexto del perfil en concreto, ya sea un consumidor, desarrollador, rol de gobierno, o cualquier stakeholder involucrado con nuestro ecosistema de datos:

1. Formación en herramientas de gobierno como business glossaries, sistemas de catalogación de datos, herramientas de calidad de datos, de explotación y visualización, por nombrar algunas.

2. Formación funcional en el ámbito de actuación, dominio funcional o área de explotación de datos que sea relevante para cada persona. Por ejemplo, si soy un analista de marketing estaré interesado en los datos de mis campañas, clientes, segmentos, y en cómo nuevas soluciones de datos en particular pueden aportarme en mi día a día; cómo tener accesible un glosario de términos de mi área de trabajo o cómo localizar fácilmente un dataset con una herramienta de Data Marketplace.

3. Formación metodológica y de buenas prácticas. Si hablamos de formar a desarrolladores no sólo hablaremos de herramientas sino de cómo desarrollamos proyectos de datos, cuáles son las buenas prácticas, normativas, estándares, qué piezas de nuestro Data Framework permiten acelerar la construcción de productos de datos, qué piezas de nuestra arquitectura permiten instrumentar el gobierno y cómo podemos usarlas.

Para lograr esa profetizada democratización del dato es clave crear una cultura que se apoye en capacidades, tecnología y datos confiables, y que soporte un modelo de autoservicio del dato a nivel organizativo, sin depender de IT, ya sea sobre datos gobernados y confiables o sobre datos no gobernados y experimentales que nos aporten flexibilidad (aunque no podamos utilizar estos últimos para anunciar las ventas en el comité de dirección).

Es decir, poner los datos en manos de los miembros de nuestra organización, tanto gobernados como no gobernados, según su propósito, buscando lo mejor de los dos mundos, el acceso al dato de mayor confiabilidad, pero que requiere de etapas previas de control, armonización, calidad, etc., y la agilidad para descubrir nuevos datos, experimentar con ellos, incorporar nuevas fuentes aún no gobernadas, para un consumo interno.

Y para sostener esa cultura, según difundimos el valor del dato, es importante crear comunidades de prácticas y fomentar el crowdsourcing del gobierno del dato.

Por último, más allá de las personas, es fundamental identificar cómo podemos aplicar el Data Intelligence en nuestros procesos, ya sea:

1. De forma interna, en nuestras herramientas de backoffice, en nuestros sistemas industriales. En general, aplicando la inteligencia del dato a cualquier sistema que soporte nuestros procesos de negocio, en lo que se conoce como Process Intelligence.

2. De forma externa, por ejemplo, en nuestras arquitecturas omnicanal que nos permiten activar el dato en las interacciones de nuestros clientes, o en ecosistemas de Connected Health que monitorizan y adaptan de forma inteligente las terapias a nuestros pacientes.

Trascendiendo el gobierno de datos y entrando de nuevo en el territorio de la estrategia de datos es fundamental entender las capacidades de la tecnología y cómo podemos utilizarla, buscando aspiracionalmente un modelo de Pervasive Intelligence, en el que apliquemos técnicas de IA a partir del dato, desde su generación con prácticas de edge computing aplicadas a dispositivos de IoT, o en nuestros propios dispositivos móviles, capaces de ejecutar frameworks de Machine Learning como Tensorflow Lite, hasta aprovechando el músculo elástico de computación del cloud.

En definitiva, se trata de perseguir la ubicuidad del Data Intelligence, en el momento adecuado, con la latencia y seguridad adecuada (lo cual puede ser crítico en contextos industriales o de monitorización de la salud), para sacar el máximo partido al dato y convertir nuestros procesos en data-driven (o AI-driven, si nos referimos a las técnicas empleadas, en lugar de a la materia prima).

Conclusión

En definitiva, a la hora de implementar nuestra estrategia del gobierno del dato nos enfrentamos a diversos retos y desafíos y, además, debemos plantearnos qué factores son claves para lograr que la actividad de las compañías sea realmente data-driven. ¿Quieres escuchar la conversación completa con Alberto? No te pierdas entonces nuestro podcast Apasionados por la Tecnologías. ¡Escúchalo ya mismo!