Por qué +70% de la IA corre el riesgo de fracasar

¿Qué hace que un proyecto que mezcla la IA con el uso de datos sea exitoso? Desde que las organizaciones han comenzado a intentar aprovechar sus datos para mejorar sus tomas de decisiones, esta pregunta se ha hecho cada vez más frecuente.

Sin ir más lejos, las organizaciones que buscan dar un paso adelante mediante el uso de data se enfrentan constantemente a desafíos relacionados con:

• La calidad y completitud de la información.
• Preguntas sobre la procedencia de los datos y las versiones contradictorias.
• La propiedad y responsabilidad sobre los datos y la identificación de fuentes confiables.

Esta situación -que ya era un problema para la mayoría de las organizaciones desde la existencia de los data marts y datawarehouses- se acentuó con la llegada del fenómeno del ‘Big Data’, en donde la tecnología nos entregó la capacidad para procesar e integrar los datos semi-estructurados y no estructurados, muchos de los cuales tenían un volumen más de 5 veces superior al tamaño de los datos estructurados (datos transaccionales) que la mayoría de las empresas ya manejaban.

Sin embargo, la tecnología sólo nos ha podido entregar la capacidad para almacenar estos datos, pero en lo que al uso y explotación de estos se refiere, aún no ha sido capaz de cumplir con las expectativas que generó en los usuarios, en gran parte debido a los conocimientos técnicos avanzados que requeridos para explotar los datos en el entorno de un Data Lake. Dicho de otra forma, uno de los grandes problemas que enfrentaron las organizaciones fue justamente cómo gobernar los datos en este entorno, como integrarlos y como finalmente extraer el valor que justificara la inversión en estas arquitecturas.

Debido a esto, muchas organizaciones tomaron la decisión de volver a operar en un entorno similar a un datawarehouse, y es así es como surge el concepto del LakeHouse, que permite a los usuarios almacenar e integrar los diferentes tipos de datos, pero en un entorno donde se pueden usar las herramientas de explotación analíticas más conocidas, sin la necesidad de aprender lenguajes de programación estadística avanzados y/o muy específicos.

No obstante, e incluso en este nuevo entorno, los temas relacionados con Gobierno de Datos no han podido ser solucionados del todo en la mayoría de las organizaciones. Es más, se trata de un problema que muy probablemente se vaya a exacerbar con la incorporación de la Inteligencia Artificial Híbrida al entorno de administración de los datos. 

Al respecto, esta primera parte de una serie de dos artículos, busca enfocarse justamente en este último punto, el cual de no abordarse de manera correcta, puede convertirse en un gran dolor de cabeza para las organizaciones que buscan desarrollar y explotar sus soluciones de IA.

Estrategia de datos, gobierno de datos y administración de datos

En primer lugar, es importante definir y clarificar ciertos conceptos, con el find de poder avanzar hacia definiciones más avanzadas.

Al respecto, existen tres tópicos que se suelen usar indistintamente, pero que en la práctica no son lo mismo. Me refiero a los conceptos de: 

• Estrategia de datos
• Gobierno de datos
• Administración de datos

Si bien estos términos están relacionados entre sí, es muy importante entender sus diferencias, porque como veremos más adelante, los límites entre administración de datos y gobierno de datos se están volviendo cada vez más difusos, sobre todo con la introducción -como mencione anteriormente- de la IA híbrida.

Ante esto, el problema en sí no es que estos términos se crucen, sino que cuando el foco y las acciones en las organizaciones no están alineados bajo estos conceptos. Por ejemplo, es posible que estos límites no se  establezcan de manera clara en una compañía, y aun así podría funcionar bien. Sin embargo, el problema radica cuando la misión y objetivos relacionados con cada uno de estos conceptos no están lo suficientemente claros.

Nivel Estratégico: Estrategia de Datos

Entendemos por estrategia de datos a la definición de nivel estratégico para una organización. Esta definición incluye la visión de la organización en términos del uso y explotación de los datos (por ejemplo, si queremos que el ‘dato’ sea un activo estratégico dentro de la compañía, queremos volvernos una organización más ‘data driven’ en el proceso de toma de decisiones, etc.), y las guías sobre cómo se debe bajar esta visión hacia el resto de la organización. 

Al respecto, es importante tener en cuenta que ‘estrategia’ no es lo mismo que ‘plan’, ya que este último concepto incluye temas sobre recursos, tiempos, acciones y presupuesto asignado. Por otro lado, la estrategia tiene que ver con los principios y lineamientos sobre los cuales va a trabajar la organización para alcanzar los objetivos planteados.

Sobre esto último, un problema recurrente con la definición de la estrategia de datos es que usualmente sólo se hace una vez, y no se revisa ni adapta, por lo que tiende a quedar en desuso en el corto plazo, lo que a su vez genera que los lineamientos y principios que se definieron inicialmente queden obsoletos y no se sigan o respetan. 

Es por esto que es necesario que la estrategia incluya un modelo operacional, de manera que exista algo tangible, que permita revisiones recurrentes y que además pueda trasladar la estrategia a acciones.

Nivel Operacional: Administración / Manejo de los Datos

La gestión de datos existe en la capa operativa y se centra en la ejecución de tareas diarias para garantizar que los datos se utilicen de manera eficiente, efectiva, confiable y a escala.

Esta abarca una amplia gama de prácticas y áreas de conocimiento, lo que lo hace inherentemente multifuncional.

Esta capa tiene que ver con los aspectos prácticos del manejo de datos, desde la gestión de la calidad de los datos hasta la integración y la seguridad de los mismos, garantizando que estén listos y disponibles para su uso en los procesos de toma de decisiones.

Y es también en esta capa donde entran en vigencia los modelos operativos.

Nivel Táctico: Gobierno de Datos

El gobierno de datos funciona en la capa táctica, entre la estrategia de datos y la gestión de datos. Traduce la dirección estratégica del negocio en acciones específicas al alinear las personas, los procesos y la tecnología con la responsabilidad, la propuesta de valor y la lógica estratégica.

A nivel operativo, el gobierno de datos supervisa y guía las decisiones relacionadas con los datos para garantizar la alineación con los objetivos estratégicos de la organización. Aunque técnicamente es parte de la gestión de datos, su función es única porque sirve como puente entre la visión estratégica y la ejecución operativa.

En el lenguaje de la Data Management Association (DAMA), el gobierno de datos se coloca en el centro de la rueda de gestión de datos, una noción que aún se mantiene, pero que en un modelo tridimensional, estará en el centro aunque elevada.

Si bien el gobierno y la gestión de datos están estrechamente ligados, ambos temas deben diferenciarse para que tengan el grado de supervisión necesaria. 

Dicho de otra forma, la estrategia de datos alimenta el gobierno de datos y, a su vez, el gobierno de datos estructura las prácticas de gestión de datos. 

Esta interacción garantiza que la organización de los datos se guíe de acuerdo con la intención estratégica e, idealmente, esto cree un ecosistema de datos cohesivo en todas las capas.

El circuito de retroalimentación

Un ecosistema de datos cohesivo en todas las capas debe incorporar también la retroalimentación. 

Internamente, dentro de las tareas y entregas de gestión de datos, el ciclo de planificar-implementar-monitorear-actuar, se puede adaptar a todas las prácticas de gestión de datos.

Los resultados y aprendizajes de las decisiones tomadas en el nivel operativo deben incorporarse al nivel táctico para ajustar las decisiones tácticas y reorientar la supervisión. Esta retroalimentación es fundamental, pues permite refinar y ajustar.

Además, existe el concepto de “doble circuito de retroalimentación” (Mintzberg), que sugiere que la estrategia no debería ser estática sino evolucionar en función del aprendizaje y las circunstancias cambiantes. Estos cambios deben comunicarse a la capa estratégica a través de un circuito de retroalimentación, permitiendo ajustes a la lógica estratégica basados ​​en estos conocimientos.

Por otro lado, existe  el término “Observación de segundo orden” (Förster y Lehmann), en el que se trata de aprender a observar a los observadores, lo que más tarde se desarrolló en el modelo de aprendizaje de doble circuito. 

Para entenderlo, pensemos en las observaciones de primer orden como mejores prácticas; las observaciones de segundo orden, por su parte, tratan de cuestionar si las mejores prácticas en juego están contribuyendo efectivamente al objetivo anticipado o si están en línea con los valores subyacentes.

Gobierno de datos: un activo fundamental para el éxito de la estrategia IA

Ver el gobierno de datos como una capa de decisión táctica puede ayudarnos a comprender la interacción entre la estrategia de datos y la gestión de datos. 

El hacerlo garantiza que los objetivos estratégicos se traduzcan en acciones viables, que alinean las prácticas de datos con los objetivos comerciales. 

Al poder definir y diferenciar claramente estos conceptos, las organizaciones pueden utilizar sus prácticas de datos de manera más eficiente y efectiva. 

Por último, también recomendaría tener una noción clara sobre cómo utilizar los principios de retroalimentación y aprendizaje adaptativo. Lo interesante es que a través de esta perspectiva, el gobierno de datos permite a las organizaciones permanecer ágiles y receptivas a los desafíos y oportunidades en evolución.

El circuito de retroalimentación

Si bien el gobierno y la gestión de datos están estrechamente ligados, ambos temas deben diferenciarse para que tengan el grado de supervisión necesaria. La estrategia de datos alimenta el gobierno de datos y, a su vez, el gobierno de datos estructura las prácticas de gestión de datos. Esta interacción garantiza que la organización de los datos se guíe de acuerdo con la intención estratégica. Idealmente, esto crea un ecosistema de datos cohesivo en todas las capas.

Un ecosistema de datos cohesivo en todas las capas debe incorporar también la retroalimentación. Internamente, dentro de las tareas y entregas de gestión de datos, el ciclo de planificar-implementar-monitorear-actuar, se puede adaptar a todas las prácticas de gestión de datos.

Los resultados y aprendizajes de las decisiones tomadas en el nivel operativo deben incorporarse al nivel táctico para ajustar las decisiones tácticas y reorientar la supervisión. Esta retroalimentación permite refinar y ajustar.

Además, existe el concepto de “doble circuito de retroalimentación” (Mintzberg), que sugiere que la estrategia no debería ser estática sino evolucionar en función del aprendizaje y las circunstancias cambiantes. Estos cambios deben comunicarse a la capa estratégica a través de un circuito de retroalimentación, permitiendo ajustes a la lógica estratégica basados ​​en estos conocimientos.

Por último, tenemos el término Observación de segundo orden (Lehmann), en que se trata de aprender a observar a los observadores, lo que más tarde se desarrolló en el modelo de aprendizaje de doble circuito. Piense en las observaciones de primer orden como mejores prácticas; Las observaciones de segundo orden, entonces, tratan de cuestionar si las mejores prácticas en juego están contribuyendo efectivamente al objetivo anticipado o si están en línea con los valores subyacentes.

Transforma tus datos en tu mayor ventaja competitiva

¿Tu organización está preparada para aprovechar al máximo el poder de sus datos? No te quedes atrás. Implementa un marco de gobierno de datos robusto y adaptable para mantenerte competitivo en la era de la inteligencia artificial híbrida. ¡Descubre cómo nuestro equipo puede ayudarte a alinear tu estrategia con una ejecución eficiente! Contáctanos y juntos comencemos a transformar tus datos en un activo estratégico.