El empleo de metodologías ágiles como Kanban o Scrum ha probado ser una opción eficaz en los proyectos actuales de analítica y ciencia de datos, por encima de las tradicionales formas de administración de proyectos. Aunque los modelos convencionales tienden a seguir un plan rígido y secuencial, las metodologías ágiles fomentan la capacidad de adaptarse, la iteración constante y el suministro incremental de valor; estos son factores esenciales en contextos donde los requisitos y los datos se modifican continuamente.
La habilidad de adaptarse a nuevos descubrimientos es uno de los beneficios más importantes del enfoque ágil en la administración de datos. En proyectos de ciencia de datos, es frecuente que el análisis inicial descubra problemas con la calidad de los datos o patrones imprevistos, lo que requiere un cambio en la perspectiva del proyecto. En este marco, metodologías rápidas como Scrum posibilitan la organización del trabajo en sprints, lo cual hace más fácil ejecutar modificaciones periódicas y presentar resultados parciales que pueden ser valorados por los interesados (Schwaber & Sutherland, 2020). Según el contenido de la clase, este método iterativo optimiza la cooperación entre los equipos de datos y favorece que se aporte valor continuamente en proyectos analíticos.
Un ejemplo práctico puede encontrarse en los proyectos de análisis empresarial, donde los equipos de ciencia de datos trabajan en ciclos breves para crear modelos predictivos o paneles de control. En cada sprint es posible llevar a cabo tareas como la depuración de datos, el entrenamiento de modelos o la validación de resultados, lo cual permite modificar el análisis en función de los comentarios que brinda el negocio. Esto es diferente a las metodologías tradicionales, que solo muestran el resultado final al terminar el proyecto.
Por otro lado, para medir la gobernanza y calidad de los datos en ambientes ágiles, es preciso emplear métricas concretas que posibiliten el monitoreo del estado y fiabilidad de los datos. Algunas de las más importantes son:
1. Calidad de los datos
Esta métrica mide factores como la veracidad, la consistencia, la integridad y el carácter actual de los datos. La calidad es crucial, ya que las decisiones estratégicas tomadas a partir de datos erróneos pueden tener consecuencias adversas para las organizaciones (DAMA International, 2017).
2. Disponibilidad de los datos
Se refiere a la facilidad de acceso a la información cuando los sistemas o usuarios la requieren. Una disponibilidad limitada puede demorar los procesos de análisis o perjudicar la toma de decisiones en tiempo real.
3. Integridad de los datos
Asegura que los datos permanezcan correctos y consistentes a lo largo de todo su ciclo vital, en particular cuando se trasladan entre sistemas o se convierten en procesos de análisis.
Estas medidas posibilitan el seguimiento constante de la gobernanza de los datos y garantizan que los proyectos analíticos produzcan información confiable para el negocio.
Para concluir, la mezcla de métricas para gobernar datos y métodos ágiles posibilita a las entidades administrar proyectos de ciencia de datos de manera más eficaz y flexible. La optimización del valor estratégico de los datos y la mejora de la toma de decisiones en contextos cambiantes se ven favorecidas por el monitoreo a través de métricas de calidad, la retroalimentación permanente y la iteración continua.
Referencias
Schwaber, K., & Sutherland, J. (2020). The Scrum Guide: The definitive guide to Scrum: The rules of the game. Scrum.org.
Singh, A., & Singh, A. P. (2021). Data governance: The definitive guide. O’Reilly Media.
DAMA International. (2017). DAMA-DMBOK: Data Management Body of Knowledge (2nd ed.). Technics Publications.