Curva de aprendizaje de la gobernanza Data

Etapa 1 - Incompetencia inconsciente: ¿cuáles son los “síntomas” de la falta de data governance?

1. La empresa se enfrenta a cuestiones empresariales sin resolver debido a la escasa data governance
2. La empresa se ve acorralado por iniciativas existentes que requieren un data maduro (caso de uso estratégico, migración de TI, etc.)
3. Tratar estos síntomas le ayudará a convertirse en conscientes de los retos y del valor crítico de data governance

Etapa 2 - Incompetencia consciente: ¿cuáles son los retos a los que se enfrenta una empresa al iniciar un viaje data governance?

1. Demostrando que el data governance es de valor: el data bruto es un potencial sin explotar mientras que el data refinado es oro
2. Encontrar el modelo financiero lanzar las primeras iniciativas: impulsadas por casos de uso o impulsadas por un órgano central de transformación
3. Movilizar a la gente para cumplir: dentro de los equipos federados data governance, y más allá

Etapa 3 - Competencia consciente: ¿cuáles son los pasos que suelen seguir las empresas al lanzar un programa data governance?

1. Primer paso - Estructuración de los activos data governance: dominios, modelo operativo, hoja de ruta, herramientas
2. Segundo paso - Desplegar data governance dentro de cada dominio data:data calidad, normalización y accesibilidad. Ya sea mediante una renovación completa en un plazo limitado gracias a grandes programas ; ya sea mediante la extensión de las obras a lo largo de un periodo prolongado, empezando por lo más crítico y haciendo el resto poco a poco

Etapa 4 - Competencia inconsciente: ¿qué ocurre cuando el data governance se convierte en la nueva normalidad?

1. Data la gobernanza ya no es un viaje sino un habilidad consumada
2. La gobernanza Data es responsabilidad de todos: Miembros de COMEX, propietarios de empresas, jefes de ingeniería, equipos de desarrollo de dominios, administradores de Data, equipos de casos de uso y características

Entender qué es la data governance, por qué se encuentra en la ruta crítica hacia el valor y cómo implantarla concretamente en su organización puede ser un largo camino. Cuando las empresas lanzaron por primera vez grandes programas de transformación con casos de uso de IA y data, se dieron cuenta rápidamente de que estos programas requerían habilitadores clave como data platforms, data lakes, data gestión de la calidad y MDM, que permiten exponer la calidad data a los casos de uso. Sólo recientemente ha aparecido el data governance como una prioridad con respecto a la miríada de sistemas complejos creados.

Hoy en día, casi todo el mundo en el ecosistema CDO/CTO entiende que la data governance es un requisito previo para la transformación de la IA. Están familiarizados con todos los conceptos organizativos y operativos básicos, pero ponerlos en música para aportar un valor concreto es una tarea mucho más compleja. Como resultado, la data governance se reduce a menudo a iniciativas aisladas de documentación con escaso impacto. Vemos cómo se lanzan muchos programas y aparecen muchos responsables de data governance en las organizaciones de nuestros clientes. Al principio, todos se encontraron con las mismas dificultades para convencer a sus patrocinadores y socios comerciales de que invirtieran en estas actividades. ¿Por qué? Porque el despliegue de data governance es un proceso de aprendizaje completo por el que tiene que pasar la organización, y cada paso del camino es importante.

El propósito de este artículo es ayudarle a comprender lo que es data governance en la práctica, llevándole en un viaje a través del proceso de aprendizaje de data governance que cada empresa experimenta inevitablemente.

Incluso antes de iniciar el viaje, el primer reto consiste en identificar el problema data governance. En esta fase, la empresa aún no se ha dado cuenta de que muchos de sus problemas empresariales están directamente relacionados con las actividades de data governance. El primer paso del viaje consiste en determinar qué preguntas fundamentales nadie en la organización es capaz de responder.

Plantearse este tipo de preguntas conecta la data governance directamente con el valor empresarial potencial que puede generar y evita el escollo de un enfoque basado en las TI o en la privacidad, que reduce la data governance a la Gestión Maestra Data o de los Derechos de Acceso.

Sobre el terreno, hemos observado otras situaciones típicas que desencadenan la puesta en marcha de iniciativas data governance:

Para avanzar en el camino del aprendizaje de la data governance, las empresas tienen que enfrentarse a cuestiones empresariales sin resolver o verse acorraladas. Sólo entonces serán conscientes de los retos a los que se enfrentan y comprenderán el valor crítico de la data governance.

Una vez que una empresa ha decidido iniciar oficialmente su andadura data governance, surgen tres retos principales: (1) Demostrar que data governance tiene valor, (2) Encontrar el modelo financiero adecuado para lanzar las primeras iniciativas, y (3) Movilizar a las personas para que cumplan.

Uno de los primeros retos es convencer a la Junta Directiva. Los defensores de la gobernanza de la Data tienen que encontrar el discurso adecuado para demostrar que, a veces a expensas de los casos de uso, hay que invertir en la data governance y encontrar espacio en las hojas de ruta de la transformación de la data.

[DESDE EL CAMPO #1] Un líder data governance de la industria CPG organizó un campamento de formación con aspirantes a propietarios de data (excom n-1), patrocinado por el director general y el director financiero. Presentaron la deuda data governance de la empresa que era necesario abordar para obtener beneficios más rápidos de la transformación data (es decir, preguntas empresariales sin resolver de cada departamento y dificultad para ofrecer casos de uso COMEX estratégicos debido a la mala calidad o accesibilidad de la data).
[DESDE EL CAMPO #2] Para convencer a la dirección, los responsables de data governance de una empresa de telecomunicaciones desarrollaron un argumento comercial con tres tipos de fuentes de ingresos:
> Pérdida de ingresos (por ejemplo, ingresos inhibidos debido a la falta de direcciones o a la mala calidad de las mismas en los sistemas de pedidos)
> Ahorros (por ejemplo, alquileres o suscripciones pagadas por sitios técnicos o comerciales que ya no se utilizan)
> Aumento de la eficacia operativa del equipo data (por ejemplo, número estimado de ETC ahorrados en cuestiones de calidad data).

Hay dos preguntas que nos llegan con frecuencia desde el terreno: ¿Cuánto cuesta poner en marcha un programa data governance? ¿Quién debe pagarlo? Se pueden distinguir dos modelos:

El modelo 1 es el objetivo para después de la transformación, cuando el data governance esté integrado en todos los proyectos por diseño. Antes y durante la transformación, el modelo 2 se aplica generalmente al establecimiento de las mejores prácticas.

[DESDE EL CAMPO #3] El director financiero de una gran industria CPG, convencido del valor de data governance para el negocio, creó una oficina central de data governance bajo su mandato y la dotó de un presupuesto central. El presupuesto estimado fue de unos 15 millones de euros. Otra organización optó por una estrategia en dos fases: durante los primeros años de transformación, presupuestaron 2M€ anuales para data governance en manos de la oficina data governance, pero tienen previsto culturizar la empresa paso a paso y pasar al modelo 1.

Movilizar a las personas de su empresa en torno a los temas del data governance es EL reto clave.

Dentro de los equipos data governance, el factor clave del éxito es implantar un modelo de entrega federado, en el que las operaciones estén descentralizadas y dirigidas por cada equipo de dominio empresarial. Una oficina central o líder (según el tamaño) se encarga de estructurar el programa, implantar la caja de herramientas y definir las normas. Su primera misión consiste en segmentar el data de la empresa en dominios data y nombrar un propietario para cada dominio, que será responsable de designar los roles clave en su dominio (stewards, custodio...).

Más allá de los equipos data governance, la oficina central debe culturizar y actualizar a los equipos, para acompañar las nuevas formas, más estructuradas, de interactuar con los data.

[DESDE EL CAMPO #4]
> A nivel C: una importante empresa de CPG organizó varias sesiones con el COMEX para sensibilizar a sus miembros sobre las cuestiones relacionadas con el data governance.
> A nivel de casos de uso: otro actor del CPG forma a todos sus Propietarios de Producto y Científicos Data para que desplieguen data governance por diseño dentro de los casos de uso de IA y data (desarrollo de controles de calidad data, linaje data dentro de Collibra, etc.).
>> A nivel de dominio: una empresa de telecomunicaciones formaliza la formación para la incorporación de administradores y propietarios de data (cómo hacerlo, herramientas, etc.).
> A nivel de empresa: una empresa lanza acciones de sensibilización para que todos difundan su cultura de excelencia data.

Una vez superados estos retos iniciales, la organización puede considerarse lo suficientemente competente y madura como para definir los mejores enfoques para ponerse en marcha y lograr los primeros resultados tangibles sin demasiada inversión inicial.

Una de las primeras actividades clave de la oficina data governance es la estructuración de los activos data en dominios data. Esta actividad permite a la empresa:

Una vez completado el ejercicio, el siguiente paso es asignar propietarios (priorizarán las actividades y fijarán los objetivos) y responsables (desplegarán operativamente las rutinas de calidad y documentación) a cada dominio. Hemos observado que los modelos data governance de éxito son modelos “federados”, con actividades operativas descentralizadas en dominios y un responsable de data governance en un equipo data central para impulsar el impulso, coordinar las actividades y capacitar a los stewards y propietarios.

Las organizaciones maduras están orientadas al negocio y construyen su hoja de ruta data governance en estrecha relación con su hoja de ruta de casos de uso data. Mapean los dominios data con los casos de uso estratégicos de la empresa y dan prioridad a los dominios que sirven a muchos casos de uso. Un factor crítico para el éxito es empezar poco a poco y evitar el efecto túnel identificando dos o tres dominios críticos con propietarios y responsables motivados, y perfeccionar la metodología antes de desplegarla en otros dominios.

Las herramientas son importantes para mantener la data governance a largo plazo, pero la data governance es sobre todo una cuestión de organización. Si la organización no está convencida de la importancia de la data governance y si el modelo operativo no está implantado, las herramientas no se adoptarán y serán una pérdida de recursos y de tiempo para la empresa.

[DESDE EL CAMPO #5] Por ejemplo, el departamento de TI de una gran empresa del CAC 40 estableció un contrato con Collibra sin tener en cuenta el modelo operativo necesario para sostener el despliegue de una iniciativa de este tipo. Adoptaron un enfoque impulsado por las TI revisando todas las bases data para documentar los esquemas data de la tabla. No había administradores de Data para añadir la capa empresarial sobre el esquema de tablas. El uso de la herramienta se redujo a unos pocos informáticos y no se demostró el retorno de la inversión. Dos años más tarde, el equipo de data decidió relanzar una iniciativa empresarial con Collibra, esta vez priorizando una hoja de ruta basada en los casos de uso estratégicos que querían ofrecer y creando una comunidad Collibra en torno a la herramienta para impulsar su uso. La herramienta ha pasado de ser una simple herramienta de documentación a una de inteligencia data, incrustada en los procesos clave de data, y ahora es ampliamente utilizada por los científicos de data para el descubrimiento de data.

El enfoque 1 suele ser el preferido por las grandes empresas que han puesto en marcha grandes programas de transformación y se enfrentan a importantes problemas para llevar a cabo con éxito su data y sus casos de IA. También es el caso de las empresas que están pasando actualmente a la cloud y para las que está en juego la estructuración de sus activos data dentro de una nueva data platform. Este enfoque holístico o integral está diseñado para sanear un dominio data desde el suelo hasta el techo trabajando en las cuatro dimensiones de la data governance: calidad, normalización, accesibilidad y propiedad.

[DESDE EL CAMPO #6] Para explicar la metodología, utilicemos el ejemplo de una empresa CPG que lanzó un importante programa de transformación data. La empresa aprovechó el paso a cloud para limpiar su data y reestructurar sus activos data en 18 dominios data, fácilmente descubribles y accesibles por los usuarios finales, con el objetivo de ofrecer casos de uso de IA de alto valor. Tras crear una oficina data governance para coordinar la iniciativa, desplegaron una metodología integral para evaluar la madurez data, definir taxonomías de dominio data y desarrollar nuevos modelos data en la plataforma Google Cloud, reutilizables para muchos casos de uso.

Un aspecto clave de un programa de transformación data de tal envergadura es la capacidad de coordinar los esfuerzos en 18 dominios data. La oficina data governance desempeña un papel crucial a la hora de garantizar la coherencia y establecer las prioridades generales entre los dominios data.

El enfoque dos es más adecuado para las empresas que necesitan demostrar el valor de data governance antes de lanzar programas importantes. Al principio, estas empresas se centran en un punto doloroso específico que quieren resolver con data governance. A veces, estas iniciativas ni siquiera están marcadas como “data governance”.

[DESDE EL CAMPO #7] Algunos ejemplos de iniciativas pragmáticas data governance:

“Fuente”Enfoque Una empresa farmacéutica lanzó una iniciativa de armonización del CRM data para abordar el problema de la limitada calidad y armonización del data capturado por sus representantes de ventas en todas las filiales. Esta iniciativa surgió a raíz de las quejas de los equipos centrales de marketing, que no podían realizar comparaciones entre filiales ni tener visibilidad sobre el rendimiento global (ejemplo: seis formas diferentes de designar a un cardiólogo en Veeva).
“Enfoque ”impulsado por el cuadro de mando": una empresa de servicios públicos aprovechó el Catálogo Collibra para explicar cómo se calculaban los KPI de su cuadro de mando COMEX y para alinear a toda la organización sobre cómo calcular estos KPI estratégicos.
“Gestión del acceso” enfoque: en el contexto de un paso a cloud, uno de nuestros clientes relanzó su iniciativa data governance, que había fracasado dos años antes, definiendo el nivel de accesibilidad de data dentro de su nueva plataforma cloud.
“Utilizar casos prácticos”Enfoque: una importante empresa de gran consumo decidió estandarizar su data para responder a las necesidades de un caso de uso muy crítico de planificación de la demanda. Identificaron los objetos data necesarios para realizar los casos de uso, seleccionaron y cualificaron las fuentes data y estandarizaron su data para construir un único modelo data que utilizaron para desarrollar cualquier caso de uso que requiriera este data.
“Impulsado por la calidad”Enfoque: uno de nuestros clientes puso en marcha un proceso de evaluación y corrección de la calidad para identificar los principales puntos débiles de la calidad data, priorizarlos en un comité de calidad data y hacer un seguimiento de la resolución de los problemas con los equipos técnicos.

Antes de empezar, es importante subrayar que, aparte de los pure players o de las empresas más recientes que se diseñaron en torno al data, relativamente pocas empresas han alcanzado esta última etapa, cuando el data governance se ha convertido en automático.

La gobernanza Data ya no se considera un viaje de transformación que requiere mucho tiempo y un gran esfuerzo por parte de los interesados. Ahora es una habilidad plenamente integrada en el proceso de la empresa y todos los que trabajan con data se ven afectados a su nivel.

Miembros de COMEX facilitan la circulación de data dentro de la empresa. Se basan en una visión unificada de data (fuente única de la verdad) para tomar todas las decisiones estratégicas y supervisar el rendimiento de la empresa.

Empresarios reconocen que data governance es un factor clave de éxito para la transformación de su negocio. Cada iniciativa empresarial incluye un componente data governance “por diseño”.

Jefes de ingeniería son los líderes de una data platform orientada a los dominios. Se encargan de construir las funcionalidades comunes de la plataforma y de establecer normas globales para garantizar la interoperabilidad entre dominios. La responsabilidad de entregar productos data de alta calidad a los equipos de casos de uso está descentralizada en esos equipos de desarrollo de dominiosmás cercano al data.

Para garantizar la calidad de los productos data, los equipos de desarrollo del dominio se basan enData comisarios para garantizar un alto nivel de calidad y disponibilidad data. El administrador Data no es un papel, es un trabajo a tiempo completo en la encrucijada entre los equipos de negocio, TI y data. Coordinan el esfuerzo para ponerse al día con la deuda data governance y asegurarse de que los nuevos servicios se rigen “por el diseño”.

Equipos de casos de uso y características que consumen el data son tratados como clientes con derechos y deberes:

Aunque hoy en día la mayoría de los actores todavía se mueven entre la segunda y la tercera etapa, todos sienten la urgencia empresarial de avanzar en este proceso de aprendizaje.

Tres argumentos principales justifican esta urgencia. En primer lugar, la transformación data / IA es una palanca clave para alcanzar los ambiciosos objetivos de los nuevos motores de crecimiento y para mantenerse a la vanguardia, y la transformación data no es sostenible sin la data governance. En segundo lugar, estamos en un mundo que se mueve con rapidez, en el que obtener un acceso rápido a la data y analizarla y explotarla rápidamente es esencial para reaccionar con rapidez. Y por último, las empresas necesitan atraer a nuevos talentos que estén cada vez más dispuestos a ser data-driven.

Uno de los primeros retos para cualquier empresa al comienzo de su andadura data governance es demostrar esta urgencia y convencer a las partes interesadas internas del valor de lanzar concretamente un programa data governance.

Colaboradores: Muchas gracias a Justine Nerce, Killian Gaumont, Violaine Berland, Sophie Xu, Alexandra Coillard, Marc-Antoine Paing - Artefact