Data Management es una de las áreas de las que más se escucha hablar en los últimos meses. Muchas iniciativas en torno al dato se han ido desarrollando sin unas buenas bases o estructuras que los sustentaran, situación también provocada por los silos que se han generado de forma natural en las organizaciones. Sin embargo, las compañías comienzan a tomar conciencia de lo importante que es establecer unos buenos cimientos sobre los que construir una organización que gira en torno a los datos. Algunas compañías están tomando medidas en fases tempranas, y otras han tenido que poner el freno para reestructurar de manera más organizada, gobernada y sostenible. Así, Data Management se ha convertido en una prioridad para aquellas empresas que busquen evolucionar como organización data-driven con éxito.
En Keepler hemos tratado con organizaciones en diferentes estadios durante estos años, especialmente desde que en 2022 creamos el área específica de Data Management Consultancy, lo que nos ha permitido entrar a conocer a fondo muchas casuísticas reales en torno a la gestión del dato que están viviendo las organizaciones.
Esta experiencia, nos lleva a identificar estas 7 tendencias en el ámbito de Data Management que preveemos que deberían ser muy tenidas en cuenta en 2023.
1. Operativizar el modelo de gobierno
En Keepler nos seguimos encontrando con muchos clientes que, con un modelo de gobierno definido (en papel, y generalmente muy ‘estándar’) no son capaces de llevarlo a la práctica o de conseguir que ‘la responsabilidad del dato’ se trabaje en el día a día de las organizaciones. Y parece que va a seguir siendo un escenario muy común en 2023.
Parte del POR QUÉ ocurre esto es consecuencia de utilizar el típico enfoque de operativizar el Gobierno del Dato a través de herramientas, las cuales no suelen ser gratis (al menos las que tienen una suite pensada y diseñada para usuarios funcionales, que son el 95% de los involucrados en un programa de gobierno del dato) y cuya justificación de inversión cuesta sustentar (precisamente por no entender en capas directivas el ‘retorno’ del programa de gobierno del dato).
Otra casuística común es PORQUE el modelo de gobierno definido en papel no se adecúa a la realidad de la compañía (por falta de existencia de perfiles con determinadas capacidades técnico-funcionales, bien sea por cultura organizativa, por heterogeneidad de unidades de negocio, etc). Definir un modelo de gobierno del dato a medida para cada organización y ser consciente de que un modelo Wikipedia no necesariamente es la mejor solución, es parte del inicio de este pain point tan común.
2. Rediseñar el Data Office
Aunque pensábamos que esto iba a ser algo ya poco común, a lo largo de 2022 nos hemos encontrado varias organizaciones que están revisando el mejor modelo organizativo para la función del dato.
Son todavía muchas las compañías que empiezan a diseñar una célula organizativa de ‘Data’ como escisión de sus equipos digitales (más comúnmente) o incluso todavía de tecnología (el dato bajo la dirección del CIO tiene poco recorrido). Y es en esta situación cuando aparecen dudas sobre tanto la idoneidad de la ubicación como sobre la separación de poderes (funciones) del nuevo área de Data a dimensionar.
Empiezan a aparecer también organizaciones que, con un claro Data Office ya maduro, se plantean necesidades no tanto ya de rediseño organizativo sino sobre todo en términos de talento y desarrollo de los perfiles del equipo de Data. Es muy interesante ver cómo los modelos de stewardship tal cual se plantearon fracasan (no tienen recorrido ni desarrollo) a largo plazo, aunque ésta es una tendencia que creemos que se contrastará y extenderá más adelante, está aún muy incipiente.
3. La calidad del dato sigue siendo un tema pendiente
En pocas organizaciones hemos visto aún un uso estratégico de la calidad del dato (con sentido, con intención de accionar cambios y conseguir objetivos cruzados). Y es, sin duda, el mejor arma que tiene un Data Office para provocar el cambio de mentalidad hacia el dato en su organización.
La calidad del dato tiene que usarse como herramienta principal para dotar a los involucrados del Programa de Gobierno del Dato a desempeñar sus funciones con visibilidad de su impacto, y no siempre se hace así. Debe hacerse así.
También es necesario dar un entendimiento a usuarios no técnicos (que representan a veces más del 50% de los esfuerzos/necesidades totales de la calidad del dato) sobre qué es calidad del dato o cómo se calcula. Algo tan simple no se está haciendo y empieza a despertar cada vez mayor interés a CDOs y líderes de Data & Analytics.
4. Las plataformas de nube extienden sus capacidades de catálogo hacia el gobierno del dato
En los últimos años hemos visto como los principales vendors de nube pública (AWS, Azure y GCP) han ido evolucionando sus soluciones de catálogo de datos hacia funcionalidades cada vez más front y orientadas al usuario funcional.
En este sentido, veíamos como Purview de Azure se posicionaba algo más allá que sus homólogas GLUE Data Catalog de AWS o GDC de Google, pero con un enfoque más ‘defensivo’ y orientado al cumplimiento regulatorio y control de los activos de datos desde un hub. En el último re:Invent de AWS hemos visto como se ha presentado DataZone (con además un enfoque más ‘ofensivo’ y orientado al autoservicio), como una solución más allá del antiguo GLUE Data Catalog y las perspectivas son que ese es el camino a seguir. Por otro lado GDC ha integrado su servicio de catálogo GDC dentro de otro servicio con ambición de marketplace de datos llamado Dataplex.
Aunque no esperamos que en 2023 los grandes vendors de nube pública consigan elevar sus actuales herramientas al nivel que ofrecen vendors tradicionales de soluciones de Gobierno del Dato, sí que creemos que van a seguir apostando por esta línea y acercándose cada vez más al usuario final (no técnico en su mayoría). En los próximos meses buscarán cubrir y desarrollar funcionalidades que hasta ahora no tenían contempladas (flujos de trabajo entre roles del modelo de gobierno, alertas, data marketplace, glosario de términos, mejoras en visualización del linaje, etc) encima de sus capacidades actuales de integración completa del catálogo de metadatos y del linaje.
5. Enganchar a la organización en iniciativas data & analytics
Esto no deja de ser una derivada tanto de la dificultad a la hora de poner en marcha el gobierno del dato como del poco uso estratégico de la calidad del dato.
Son muchas las compañías que llevan años desplegando programas de comunicación y gestión del cambio, algunas incluso tienen Data Literacy programs en marcha, pero se sigue viendo como falla “la última milla”.
En este sentido, vemos que se va a seguir trabajando y creemos que en 2023 se va a seguir mejorando mucho este aspecto, quizás empiece a ser ya el momento de divisar grandes logros e hitos logrados en materia de gestión del cambio y consecución de un mindset no ya sólo data-driven sino de data-asset (hacer ver que el dato es un activo de valor y no “algo de IT”).
6. El gran desconocido del que todo el mundo habla: la democratización del dato
Un tema de conversación muy recurrente pero que pocas veces se aterriza a accionables y se entiende de manera sencilla para saber abordar. Las compañías siguen queriendo ser data-driven, conseguir el autoservicio y autoconsumo y ser muy maduras en términos de democratización del dato. Ya, ¿pero y esto en qué se traduce? Se hace el silencio.
Se va a seguir hablando de democratización del dato y cada vez habrá un mayor interés por saber calcularla, algo que todavía no hemos visto y para lo que precisamente desde Keepler hemos desarrollado nuestra propia fórmula de cálculo: la Data Democratization Index (DDI), una forma práctica y aterrizada de poder medir el grado de democratización del dato real, al que poder dar seguimiento y monitorización para poder medir el impacto de nuestras iniciativas de data & analytics y su reflejo en el día a día de los usuarios o no.
7. La joya de la corona: el valor del dato
Sin duda es, será y seguirá siendo durante varios años el gran reto del CDO. Saber medir el valor del dato (tanto intrínseco como derivado) y el impacto que generan en términos de negocio las diferentes iniciativas de data & analytics lideradas por el Data Office. Incluso algunos CDOs ambiciosos o retadores gustan de la idea de construirse un P&L, y parece que será cada vez más frecuente.
En nuestra visión, aconsejamos a nuestros clientes comenzar paso a paso, esto es, empezar por medir el impacto, traducido en términos de negocio (eficiencia operacional, ingreso adicional y mitigación de riesgos), de las iniciativas de data & analytics. Una medición acordada con negocio (o usuarios funcionales partícipes de ella) a través de métricas previamente establecidas y contrastadas con mediciones anteriores a la implementación de dichas iniciativas D&A.
Será, una vez medidas decenas de iniciativas D&A y aprendido a pulir asunciones y premisas previas para saber cada vez más y mejor estimar el impacto futuro, cuando podremos ir a una segunda fase de medición también del impacto intangible (cultura, experiencia de cliente o incluso de empleado) o incluso del valor intrínseco del dato (la monetización del dato de la que tanto se habla y tan difícil es aterrizar, similar a la democratización que comentábamos antes).
Este es un largo camino por recorrer, las prisas nunca fueron buenas consejeras y nuestra recomendación es empezar a caminar antes de querer aprender a correr en velocidad.
Imagen: Freepik
Deja un comentario