Datos en el centro

1. Datos en el centro: la hoja de ruta que sí transforma

Hay una cifra que debería quitarnos el sueño a quienes trabajamos en transformación: según el Boston Consulting Group, cerca del 70% de las transformaciones digitales se quedan cortas frente a sus objetivos. Y un célebre análisis de Harvard Business Review estimó que, de 1,3 billones de dólares invertidos en un solo año, unos 900 mil millones se desperdiciaron. Es muchísimo dinero para tan poco resultado. Lo que más me interesa de esos números no es el fracaso en sí, sino su causa. Porque cuando uno lee la letra pequeña, descubre que rara vez es la tecnología la que falla. McKinsey lo repite hace años: el mayor obstáculo de la transformación digital no es técnico, es cultural. Compramos plataformas, lanzamos pilotos, llenamos de dashboards la organización… y seguimos decidiendo igual que antes. En estos artículos vengo insistiendo en la misma idea desde distintos ángulos: la transformación real es de personas, no de herramientas. Hoy quiero aterrizarla en el activo que lo sostiene todo: los datos.

El diagnóstico incómodo: construimos sobre arena

Antes de hablar de hojas de ruta, hay que hacerse una pregunta honesta: ¿podemos confiar en nuestros datos? Porque casi todas las organizaciones quieren ser «guiadas por datos», pero pocas aseguran primero que esos datos sean confiables. Es como instalar un tablero sofisticado en un auto cuyos sensores están descalibrados: los gráficos se ven preciosos, pero las decisiones se vuelven riesgosas. Los datos sobre los datos son elocuentes. Gartner estima que la mala calidad de datos le cuesta a una organización, en promedio, 12,9 millones de dólares al año, y —quizá el dato más revelador— que el 59% de las organizaciones ni siquiera mide su calidad de datos. Es difícil mejorar lo que no se mide. El MIT Sloan va más lejos y calcula que las empresas pierden entre un 15% y un 25% de sus ingresos por problemas de calidad de información. El enemigo silencioso, según Gartner, suele ser la inconsistencia entre fuentes: datos en silos, duplicados, que nunca se hablan entre sí. Y esto se vuelve urgente con la IA. Gartner proyecta que, hasta 2026, las organizaciones abandonarán el 60% de sus proyectos de IA por no tener datos listos para usarse. La IA no arregla los datos malos: los amplifica. Por eso, poner los datos en el centro no es un lujo técnico, es la condición para que todo lo demás —analítica, automatización, IA— sostenga peso.

_**La IA no arregla los datos malos: los amplifica.**_   

Empezar por el mapa no por la herramienta

La tentación de siempre es comprar la plataforma primero. Mi recomendación es la contraria: empezar por un diagnóstico honesto de madurez y por la pregunta de negocio. El diagnóstico se puede ordenar con un marco simple de niveles —de «inicial» a «liderado por datos»— mirando cinco dimensiones: la calidad y gobernanza (integridad, consistencia, linaje), la infraestructura (ingesta, almacenamiento, procesamiento), la analítica y los modelos (BI, machine learning, automatización), la cultura y las habilidades (alfabetización de datos, adopción por área) y los procesos (¿de verdad decidimos con datos?). No hace falta una auditoría eterna: encuestas internas, entrevistas con las áreas y una revisión de los flujos de datos alcanzan para ver dónde están las grietas críticas. Y sobre ese diagnóstico, la visión. Una visión breve y aspiracional («ser una organización que anticipa la demanda y optimiza costos con datos») traducida a objetivos concretos y medibles: subir la retención, reducir tiempos de ciclo, mejorar la precisión del forecasting. Aquí aplico una regla que me ha servido siempre: priorizar los casos de uso cruzando impacto y esfuerzo. El primer proyecto no debe ser el más ambicioso, sino el que combine valor visible con factibilidad real. Se trata de generar creencia.

La arquitectura al servicio de la estrategia (no al revés)

Sí, hace falta una arquitectura sólida: pipelines de ingesta confiables, un buen lugar donde vivan los datos (un lakehouse o una combinación de data lake y data warehouse), motores de procesamiento, un catálogo con linaje que permita rastrear de dónde viene cada dato, una capa de analítica de autoservicio y, por supuesto, seguridad y cumplimiento desde el diseño. Pero el orden importa. La arquitectura es un medio, no el fin. Mi consejo práctico es arrancar con componentes gestionados que aceleren los primeros resultados, y migrar a soluciones más controladas solo cuando el negocio lo justifique. La pregunta que ordena cada decisión técnica no es «¿qué herramienta es la más potente?», sino «¿qué necesita el negocio decidir mejor, y qué dato lo hace posible?».

Gobernanza: no es burocracia, es confianza

Cuando digo «gobernanza», muchos escuchan «más comités y más trabas». Yo lo veo distinto: la gobernanza es lo que hace que la gente pueda confiar en los datos. Y sin confianza, no hay decisión basada en datos que valga.

Un marco liviano pero efectivo reparte responsabilidades claras: data owners que responden por la calidad y el uso de cada dominio; data stewards que operan y corrigen; un equipo central —una CDO o Head of Data— que define la política y prioriza las inversiones; y un comité con negocio, TI, legal y seguridad para aprobar prioridades. No es un organigrama pesado: son cinco roles que evitan la pregunta más costosa de todas, «¿de quién es este dato?». Vale la pena recordarlo: buena parte de las iniciativas de gobernanza fracasan justamente porque nadie sabe quién es dueño de qué.

Lo que no se mide, no se gestiona. Y aquí el error clásico es medir solo lo técnico. Yo miraría dos planos a la vez. En lo técnico y de calidad: el tiempo de entrega de un dataset, el porcentaje de pipelines con niveles de servicio, la cobertura del catálogo, las tasas de error. En lo de adopción y negocio: cuántas personas usan de verdad el BI, cuántos proyectos de analítica llegan a producción y —lo que de verdad importa a la dirección— el ahorro operativo, el incremento de ventas atribuible o la mejora en la experiencia del cliente. Define una línea base, metas por trimestre y un panel ejecutivo transparente. Sin baseline, cualquier avance es una anécdota.

Si algo confirma toda la evidencia junta es esto: una transformación digital impulsada por datos no es un proyecto de tecnología, es un proyecto de personas, confianza y liderazgo. Los datos son el activo; la cultura es el multiplicador. Por eso las organizaciones que ganan no son las que compran la plataforma más cara, sino las que aseguran cimientos confiables, reparten responsabilidades con claridad y celebran victorias tempranas que hacen creer a su gente.

Vuelvo a mi convicción de siempre: la tecnología nos da la capacidad, pero somos las personas quienes decidimos qué hacer con ella. Poner los datos en el centro solo tiene sentido si, en el centro de los datos, ponemos a las personas. Esa es, para mí, la transformación que de verdad deja impacto.