De acuerdo con lo revisado, en proyectos de gestión de datos, trabajar con metodologías ágiles como Scrum o Kanban aporta ventajas claras frente a enfoques tradicionales tipo cascada, porque los datos y los requerimientos cambian mientras el equipo aprende. Tradicionalmente, se intenta cerrar el alcance al inicio (fuentes, reglas de calidad, modelo, reportes) y luego ejecutar; el problema es que, en la práctica, aparecen nuevos hallazgos como campos incompletos, duplicados, definiciones de negocio ambiguas, o restricciones de acceso. Con Scrum, esos riesgos se gestionan mejor porque el trabajo se organiza en sprints con entregables incrementales: primero partimos de la versión más simple y funcional, luego reglas de calidad, después un dashboard o un modelo base; cada sprint permite inspeccionar resultados y adaptar el backlog con evidencia. La Guía Scrum enfatiza precisamente el aprender con evidencia (transparencia, inspección y adaptación) como base para tratar trabajo complejo.
En términos operativos, herramientas como Jira hacen tangible esa ventaja, el Product Backlog se convierte en épicas e historias, el Sprint Backlog se gestiona en un tablero y se controla el avance con reportes (por ejemplo, burndown y velocidad). Esto reduce “trabajo invisible” típico en proyectos de datos (esperas por credenciales, extracción de fuentes, ajuste de reglas), porque los bloqueos quedan visibles y priorizados. Además, enfoques como DataOps complementan la agilidad al enfatizar automatización y flujo continuo en pipelines de datos (pruebas, versionado, despliegues), con el objetivo de entregar valor más rápido y con cambios controlados.
Respecto a métricas, en entornos ágiles no basta con “entregar rápido”; hay que medir la salud y gobernanza de datos para sostener la entrega. Tres métricas especialmente relevantes son: (1) completitud (porcentaje de registros con campos críticos llenos), porque si el dato nace incompleto, todo análisis posterior hereda sesgo; (2) consistencia/coherencia (grado de concordancia entre sistemas y reglas, por ejemplo misma definición de “estado del cliente”), porque la agilidad integra fuentes continuamente y aumenta el riesgo de versiones contradictorias; y (3) puntualidad (timeliness), porque en analítica operativa un dato que llega tarde equivale a no tenerlo. Estas dimensiones están alineadas con marcos de calidad de datos ampliamente usados (completitud, exactitud, consistencia, validez, unicidad, integridad).
En resumen: Scrum/Kanban mejoran la gestión de incertidumbre y priorización; Jira operacionaliza la transparencia; y DataOps aporta disciplina de automatización y control. Las métricas de calidad (completitud, consistencia y puntualidad) permiten que la entrega incremental no degrade la confiabilidad del dato, que es el activo central del proyecto.
· Atlassian. (s. f.). Agile data management: Using Jira for data teams. Atlassian Blog. https://www.atlassian.com/blog/jira-software/agile-data-teams
· Schwaber, K., & Sutherland, J. (2020). La Guía Scrum: La guía definitiva de Scrum: Las reglas del juego (traducción al español). Scrum Guides. https://scrumguides.org/docs/scrumguide/v2020/2020-Scrum-Guide-Spanish-Latin-South-American.pdf
· Promove. 2024.Métricas Ágeis: cómo medir el rendimiento, la calidad y la planificación. https://promovesolucoes.com/es/metricas-ageis-medindo-performance-qualidade-e-planejamento/