○ planned · proyecto
Otorga nivel a: Data Mesh · Descriptive Analytics
Usa: Descriptive Analytics · Prescriptive Analytics · Predictive Analytics · Data Mesh · Data Product · Data Warehouse · ELT
Charla sobre el camino largo para volver data-driven a una organización, desde el patrocinio ejecutivo hasta el cambio cultural, pasando por la arquitectura de datos. La tesis central es que las empresas fracasan porque empiezan por la tecnología y se saltan la gente, los procesos y el assessment; 87% de los proyectos de ciencia de datos nunca llegan a producción y solo 6% de las compañías son maduras. El mensaje: primero entender los sesgos y las preguntas de negocio, y dejar la tecnología para el final.
Hallazgos clave
- 87% de los modelos de ciencia de datos nunca llegan a producción y solo 6% de las empresas son “maduras”; la mayoría (94%) necesita más data analysts que data scientists, y un ratio correcto es 2 ingenieros por 1 científico, no al revés.
- Los ejecutivos experimentados toman decisiones con ~65% de accuracy (casi lanzar una moneda), mientras que un recién egresado con analítica alcanza 70–75% y un equipo con datos enriquecidos llega a 85%+; hay que comunicar este gap para ganar el executive sponsorship.
- Los sesgos cognitivos atacan cada decisión: sesgo de disponibilidad (historia de los bombarderos de la Segunda Guerra Mundial y Abraham Wald), confirmación, muestreo/selección, framing (80% de sobrevivir vs 20% de morir) y overconfidence (efecto Dunning-Kruger).
- El orden correcto del journey es gente → procesos → tecnología; empezar comprando la plataforma “de tantos millones” sin assessment ni casos de uso es “la receta para el fracaso absoluto”.
- La capa semántica de un data mesh es la parte difícil: el negocio llama al mismo KPI de muchas formas, y si no se definen catálogos y reglas de negocio, el single source of truth es ilusión; además, el data lake sin gobierno se vuelve “data swamp”.
Módulos
- De la idea a la madurez data-driven — El journey completo y por qué falla la transformación digital (87% que nunca llega a producción).
- Sesgos cognitivos y estadísticos en la decisión — Disponibilidad, confirmación, muestreo, framing y overconfidence, con ejemplos de negocio.
- Patrocinio ejecutivo y assessment — Cómo comunicar el valor de la data, medir madurez y alinear la estrategia de datos con la de la compañía.
- Roles y estructura organizacional — Data scientist vs data engineer vs data analyst, ratios correctos y la transición de silos centralizados a modelos federados.
- Casos de uso y Key Business Questions — Del ciclo de vida de cliente/producto/empleado a la selección por impacto y dificultad (quick wins reales).
- Arquitectura y cultura visual — Data mesh, data fabric, lake house y capa semántica; storytelling y atributos visuales para comunicar (Anscombe, “abstractrómetro”).
Fuente: https://www.youtube.com/watch?v=eEywEFe7yE8 · Transcript local: data/cursos/datapub-cultura-data-driven/cultura-data-driven.srt
Enlaces
Otorga nivel a: Data Mesh · Descriptive Analytics Usa: Descriptive Analytics · Prescriptive Analytics · Predictive Analytics · Data Mesh · Data Product · Data Warehouse · ELT