Cada vez más empresas se están dando cuenta de la necesidad de dedicar parte de sus esfuerzos a la creación de un equipo que pueda aportar valor en torno a los datos. Este grupo suele estar formado por numerosos perfiles (ver imagen más abajo), lógicamente dependiendo de la capacidad de cada organización. Con este auge imparable nos encontramos de bruces con uno de muchos problemas, el referente al encaje de este tipo de perfiles en el día a día de la empresa.
Las funciones y las responsabilidades del equipo de Data deben generarse en base a los objetivos comerciales de la empresa y siempre teniendo en cuenta su estructura organizativa. Nunca al revés y mucho menos promovido únicamente por factores tecnológicos o de innovación. Estos siempre deberán ser considerados como un impulso al crecimiento del negocio y nunca como algo que lo ralentice. Para llevar a cabo todo esto se plantean al menos 3 modelos que puedan ayudarnos a organizar este tipo de equipos, cada uno de ellos con sus ventajas desventajas.
Modelo centralizado
En este modelo (centro de excelencia) todos los perfiles en torno al dato pertenecen a un único equipo. Éste lleva a cabo los desarrollos como un servicio ofrecido a otros equipos de la empresa, como si de una consultoría interna se tratase, o a agentes externos (consultores externos). Es al fin y al cabo un equipo independiente que recoge, analiza y prioriza las peticiones por sí mismo teniendo en cuenta todo un ecosistema.
La principal ventaja es sin lugar a dudas la sincronización del equipo, el cual funciona como una mini-organización, cada uno tiene su papel y su lugar perfectamente determinado. Esto hace que habitualmente los proyectos puedan alcanzar un nivel de conocimiento muy alto. Precisamente esto puede hacer que desemboque en un servicio más largo y tediosa y lo que es más importante, desvinculado del objetivo de otros equipos de la empresa.
Este tipo de modelos suele ser aconsejable para organizaciones centradas en la investigación y desarrollo a largo plazo como pueden ser determinados proyectos en grandes corporaciones o procesos de crecimiento en empresas invertidas ya consolidadas y que apuestan por la innovación (por ejemplo, la conversión de startup a scaleup). Por eso, muchos de los servicios que se implementarán en estos equipos serán pruebas de concepto o productos de segunda clase. Sin embargo, si lo que se busca es el crecimiento rápido donde cualquier quick-win es un valor añadido, este modelo quizás no sea el más apropiado.
Modelo embebido
Este modelo nace para resolver la problemática anterior. En él, los perfiles de datos se integran dentro de otros equipos de la empresa: marketing, finanzas, tecnología, etc. A diferencia del modelo centralizado, este tipo de perfiles suelen tener un alto nivel de conocimiento del negocio. En contraposición a su cercanía a cada departamento, los desarrollos nunca llegarán a ser ni tan óptimas ni tan avanzadas. Esto no significa que los estudios o las implementaciones sean erróneas o simples. Se trata de un modelo más cercano al negocio y más alejado de la especificidad y la optimización.
Esto aunque a priori pueda parecer una ventaja en la mayoría de casos, no siempre es así, ya que conlleva una gran dificultad a la hora de gestionar, organizar y negociar recursos. Además, habitualmente este tipo de perfiles (equipo de Data) suelen tener un alto nivel de conocimiento técnico que la mayoría de departamentos no lo tienen (quizás el equipo de IT o ingeniería serían una excepción).
Modelo híbrido
Para intentar paliar los problema de uno y otro modelo, existe una tercera posibilidad: el modelo híbrido. Los diferentes perfiles en torno al dato trabajan integrados en otros equipos y departamentos pero realmente están bajo el amparo de un equipo de Data único de la empresa.
Tanto data analysts (DA) como data scientists (DS) están integrados en los quehaceres diarios de cada equipo de la organización. En el departamento de marketing habrá uno o varios DA y uno o varios DS con un alto conocimiento con el que promover soluciones que ayuden a alcanzar los objetivos de este equipo. Además, por otro lado desde el equipo de Data se seguirán llevando a cabo la contratación de nuevos perfiles así como la organización y priorización de los proyectos ya que estos dependerán de otros perfiles como los data engineers (DE) o data architects que no suelen estar dentro de los diferentes equipos de la empresa. Sin embargo, también tiene alguna desventaja, de hecho suele ser mucho más complejo la creación de informes y estudios estandarizados que puedan ser usados horizontalmente a través de todos los estamentos de la empresa. Por ejemplo, el estudio en torno a un KPI específico puede ser transversal a muchos departamentos. No tiene sentido, tratarlo y calcularlo de maneras diferentes. Esta problemática es muy habitual, por eso es esencial una gobernanza única para toda la empresa.
Perfiles laborales y competencias en torno al dato.
Nos vemos en el siguiente post, espero que dentro de no mucho. ¡Hasta la próxima!