El volumen y la forma en que generamos y consumimos datos se ha transformado en los últimos años. Las Data Driven Enterprises aprovechan esta explosión de datos para tomar decisiones generadoras de valor.

1. María José Ormaza
Marzo 2016
Data Driven Enterprises + Agilismo
La combinación perfecta

2. Agenda
● Una pequeña historia
● La escena actual
● ¿Cómo tomamos decisiones?
● Data Driven Enterprises
● Agile Analytics
○ Lean Analytics
● Notas finales

3. Una pequeña historia

4. The Hitchhiker’s Guide to the Galaxy
42
La respuesta al sentido de la vida, el universo y todo lo demás:
¿Cuál es la pregunta?

5. La escena actual
5

6. Tipos de análisis
Descriptivo Predictivo Prescriptivo

7. Tipo y volumen de datos
Estructurados
No estructurados

8. Disciplinas y tecnologías
Data engineering
Machine Learning
Data Science
Data visualizationBig Data
Full text search

9. Data Lake
Carga (Load)TransformaciónExtracción
Estructura jerárquica
Datos relacionales
Los datos se limpian y procesan antes de
ser consumidos
Los procesos de ETL son estáticos
ETL Tradicional
Estructura plana
Etiquetas de metadatos
Los datos se colocan crudos (o
mínimamente tratados)
Los datos se alistan a demanda
No requiere construcción de procesos
estáticos específicos
Data Lake
ConsumoDatos crudos
Fowler, M. (2015) Data Lake. http://martinfowler.com/bliki/DataLake.html
Terrizzano, I., Schwarz, P. M., Roth, M., & Colino, J. E. (2015). Data Wrangling: The Challenging
Yourney from the Wild to the Lake. In CIDR.

10. ¿Cómo tomamos
decisiones?

11. Los tomadores de decisiones
Betsch, T., & Haberstroh, S. (Eds.). (2014). The routines of decision making.
Psychology Press.
Pettigrew, A. M. (2014). The politics of organizational decision-making.
Routledge.

12. Los motivos
Obsolescencia
Regulaciones
Betsch, T., & Haberstroh, S. (Eds.). (2014). The routines of decision making.
Psychology Press.
Pettigrew, A. M. (2014). The politics of organizational decision-making.
Routledge.

13. Los fundamentos
Reactivos
Empíricos
Quejas
Moda
Pettigrew, A. M. (2014). The politics of organizational
decision-making. Routledge.

14. Data Driven Enterprises
1
4

15. Mitos
● Toma mucho obtener resultados
● Para ser Data Driven se requiere:
○ Ser una compañía grande
○ Tener una gran cantidad de datos
○ Tener Big Data
■ Invertir en sofisticadas y costosas soluciones
○ Tener Data Scientists en el equipo
● Una empresa Data Driven debe:
○ Tener datos sobre todo
■ Sobre absolutamente todo
Davenport, T. (2014). Big data at work: dispelling the myths, uncovering the
opportunities. Harvard Business Review Press.
Deva, D (2015) Agile Data Science
http://www.slideshare.net/DhianaDevaRocha/agile-data-science-54621593

16. Entonces, ¿qué es ser Data Driven?
● Reconocer la importancia de tener datos limpios
○ Y hacer esfuerzos por mantenerlos limpios
● Validar modelos empíricos
● Proveer información a los niveles táctico y estratégico
● Usar datos para mejora continua
○ Procesos operativos
○ Operación interna
● Hablar el lenguaje del negocio
● Entender y responder preguntas de negocio
○ Oportunamente
○ Con información relevanteSanders, N. R. (2014). Big Data Driven Supply Chain Management: A Framework for
Implementing Analytics and Turning Information Into Intelligence. Pearson Education.
Selwyn, N. (2015). Data entry: Towards the critical study of digital data and
education. Learning, Media and Technology, 40(1), 64-82.

17. Agile Analytics

18. La realidad...
Iffat, N., Chaudhry, S., Bilal, W. A., & Rabail, A. (2015). An Empirical Study on Critical Failure Factors and
Business Intelligent System Failure at Pre-implementation Phase in Small and Medium Enterprises in
Pakistan.Business and Economics Journal, 2016.
TDWI Research, 2011. TDWI BI Benchmark Reports: Organizational and Performance metrics for Business
Intelligence teams. TDWI.
● Agregar nuevas fuente de datos es costoso.
○ Tiempo
○ Esfuerzo
○ Costo de oportunidad
● Muchos proyectos de datos fallan
○ Innovación técnica no agrega el valor deseado
○ Análisis preliminar exhaustivo
○ Fuentes de datos sub utilizadas (o jamás utilizadas)

19. ¿Qué es Agile Analytics?
Procesos + Metodologías + Herramientas + Tecnologías
Estructura organizacional
+
Toma de decisiones
Mayor
flexibilidad
Enfoque en
entrega de
valor
Resultados
tempranos
Evita
inversión
innecesaria
Colaboración, Dev Ops: Automatización, Integración / Entrega continua
Collier, K. (2011). Agile analytics: A value-driven approach to business intelligence and data warehousing. Addison-Wesley.
Deva, D (2015) Agile Data Science http://www.slideshare.net/DhianaDevaRocha/agile-data-science-54621593
Evelson, B. (2011). Trends 2011 And Beyond: Business Intelligence. Agility Will Shape Business Intelligence For The Next Decade, Forrester
Research.

20. Creando cultura:
Lean Analytics
2
0

21. ¿Cómo medir?
Croll, A & Yoskovitz, B. (2013). Lean Analytics. O’REILLY
● ¿Qué hace buenas nuestras métricas?
○ Comparable
○ Comprensible
○ Tasas / Ratios
○ Capaz de cambiar un comportamiento

22. Distintos tipos de medidas
● Descubre cualitativamente & Prueba cuantitativamente
● Evita métricas vanas & Prefiere métricas accionables
○ ¿Page views?
○ ¿Followers?
● Explora → Reporta → Proyecta
Croll, A & Yoskovitz, B. (2013). Lean Analytics. O’REILLY

23. ¡Analytics en acción!
Croll, A & Yoskovitz, B. (2013). Lean Analytics. O’REILLY
Correlación Causalidad
Proyectar / Predecir Cambiar comportamiento
Identificar correlación
Probar causalidad
Optimizar factores
causales
!=

24. Encuentra UNA MEDIDA que importe
● OMTM (Only measure that matters)
○ Objetivo de negocio
○ Comparable
○ Trazable
Croll, A & Yoskovitz, B. (2013). Lean Analytics. O’REILLY
Identifica un problema de negocio
Escoge una OMTM
Decide a dónde quieres ir
Y empieza!

25. Notas finales

26. ¡GRACIAS!
María José Ormaza
mjormaza@thoughtworks.com
@mjormy