La adopción de metodologías ágiles como Scrum o Kanban aporta ventajas significativas en proyectos de gestión de datos respecto a los enfoques tradicionales en cascada. En primer lugar, los proyectos de datos suelen caracterizarse por alta incertidumbre, cambios constantes en requerimientos y descubrimientos técnicos progresivos. En este contexto, los marcos ágiles permiten ciclos iterativos que facilitan la entrega incremental de valor. Por ejemplo, en un proceso de construcción de un pipeline ETL, un equipo Scrum puede desarrollar en sprints funciones como limpieza de datos, validación y modelado, entregando resultados verificables en cada iteración. En contraste, el enfoque tradicional requeriría completar análisis, diseño, implementación y pruebas antes de entregar valor, lo que retrasa el uso temprano de los datos por parte del negocio.
Además, herramientas como Jira permiten gestionar historias de usuario orientadas a datos (data user stories), priorizando trabajo según impacto analítico. Esto es especialmente útil en DataOps, donde la meta es automatizar y acelerar la entrega continua de datos confiables. Un ejemplo de la industria es la implementación de tableros iterativos en empresas como Spotify o Airbnb, donde cada sprint entrega mejoras incrementales sobre la calidad o disponibilidad de datos operativos.
Un segundo aspecto clave está relacionado con la gobernanza y calidad de datos en entornos ágiles. La literatura propone métricas específicas que permiten evaluar cómo evoluciona el estado del dato mientras se trabaja iterativamente. Tres métricas fundamentales son:
- Exactitud del dato (Data Accuracy): mide qué tan correctos son los valores comparados con la realidad. En contextos ágiles, esta métrica se revisa sprint a sprint, especialmente cuando hay automatización de validaciones. Una precisión baja indica problemas en fuentes o procesos upstream que deben ser priorizados.
- Completitud del dato (Data Completeness): evalúa el porcentaje de registros sin valores faltantes. Es crítica para modelos predictivos y reportes en tiempo real, y es parte de los KPIs sugeridos en los marcos de Data Governance modernos.
- Confiabilidad del pipeline (Pipeline Reliability/CICD Success Rate): propia de DataOps, mide la frecuencia de ejecuciones exitosas en procesos automáticos de ingestión y transformación. Cuando una tubería falla repetidamente, el equipo ágil puede asignar un bug ticket y resolverlo en el siguiente sprint.
Finalmente, los proyectos de datos gestionados con marcos ágiles fomentan una cultura de inspección continua, transparencia y colaboración multidisciplinaria, lo cual contribuye directamente al fortalecimiento de la gobernanza de datos como programa continuo, no como proyecto aislado.
Referencia
Winder, T., & Jago, M. (2022). DataOps: The future of data engineering and data governance. O’Reilly Media.