1. ¿Qué desafíos pueden surgir al aplicar marcos ágiles en la gestión de datos, y cómo se pueden superar?
Cuando se usan marcos ágiles como Scrum en la gestión de datos, se presentan varios retos, por ejemplo, los romper con los paradigmas culturales. Las empresas que no han modernizado sus formas de trabajo, podrían tener dificultades al introducir cambios que impliquen trabajo en equipo. Una forma de superar esto podría ser formar equipos híbridos de tecnología y de negocio, para fomentar el aprendizaje continuo.
El uso de herramientas como Jira facilita que los avances del equipo sean visibles, esto ayuda a mejorar el seguimiento y la interacción, mejorando la colaboración.
Otro tema son las herramientas tecnológicas disponibles. Si no existe una infraestructura flexible, el trabajo ágil puede verse limitado. Una forma de integrar la automatización es el uso de DataOps, para pruebas continuas y control de versiones, para mejorar los tiempos de entrega de modelos de datos sin comprometer calidad. Herramientas como Apache Airflow y Git también son útiles para gestionar y controlar el flujo de datos, lo que ayuda a una iteración rápida.
Finalmente, se debe tomar en cuenta que los roles que se usan en Scrum podrían no ser compatibles con los de los equipos de datos. Aquí sería conveniente trabajar con un experto con conocimientos de los datos y un profesional que se encargue de la calidad de los datos. De esta forma, los sprints pueden contendrán tareas que tengan un impacto directo en los objetivos estratégicos.
2. ¿Cómo se relaciona la filosofía de mejora continua del enfoque ágil con el ciclo de vida de los datos y su uso estratégico?
La mejora continua es un principio central del enfoque ágil que está directamente relacionado con la entrega incremental de valor y la adaptación constante. Esta lógica encaja con el ciclo de vida de los datos: captura, almacenamiento, procesamiento, análisis, visualización y toma de decisiones. No se trabajan con procesos largos y lineales, sino que se realizan iteraciones rápidas, que entregan un valor incremental. En cada sprint se valida una hipótesis y se ajustan los modelos.
La iteración constante permite a las empresas cambiar sus estrategias de forma ágil y aprovechar los insights de datos para tomar decisiones más informadas y competitivas.
Referencias:
- Atlassian. (2023). Jira Software: Agile project management tool. Atlassian. Disponible en: https://www.atlassian.com/software/jira
- Scheidt, M., & Zierau, N. (2021). DataOps: A new paradigm for data analytics. Journal of Data and Information Quality.
- Kim, G., Debois, P., Willis, J., & Humble, J. (2021). The DevOps handbook (2nd ed.). IT Revolution Press.