Otro obstáculo considerable ha sido el acceso y la gestión de los datos. En muchas pequeñas empresas, los datos pueden estar dispersos o almacenados en formatos que no son fácilmente accesibles para su análisis. A veces, las políticas internas o la falta de infraestructura adecuada pueden limitar el acceso a estos datos críticos. En mi rol, tuve que abordar estos problemas prácticamente en solitario, lo que me llevó a desarrollar habilidades en la creación de dashboards y en la interpretación de datos para hacerlos comprensibles y útiles. Estos dashboards se han convertido en una herramienta esencial en las reuniones mensuales de rendimiento, facilitando la toma de decisiones basadas en datos dentro de la empresa.

En realidad, comparto lo que ya muchos de los colegas han expresado en sus publicaciones por lo no tiene sentido reinventar la rueda con más detalles. Desde mi perspectiva, mucho gira en el inicio con la toma de requerimientos que no siempre es muy clara o precisa, luego la gestión y la calidad de los datos que por lo general no vienen estructurados, vienen incompletos y con inconsistencias y al final termina en que por lo general el presupuesto es limitado para implementar algo robusto. Lógicamente todo esto va de la mano, con temas de tecnología, gestión del cambio, adopción, etc.

Sin embargo, yo prefiero cerrar con el mensaje de que lo más importante sería enfocar los esfuerzos cuando se busca una implementación analítica en base a las necesidades puntuales del negocio y alineadas a las estrategias y que requiere de una planificación adecuada, tratando de involucrar a la mayoría de los stakeholders para así tratar de logra el éxito del mismo. Si se logran alinear todas las partes y se logran solicitar todos los requerimientos de forma correcta, se logrará el objetivo.

Saludos y gracias,

Pedro Umaña Sabat.

Otra dificultad que tuve en un proyecto fue la limitación de la herramienta, si bien Power BI es una herramienta potente, puede ser limitante cuando se trata de manejar grandes volúmenes de datos.

• Datos incompletos o erróneos: A menudo, los datos que se recopilan no están limpios, lo que dificulta su análisis. La presencia de datos faltantes, inconsistencias o errores puede afectar la precisión de los resultados.

• Falta de estandarización: Si los datos provienen de diferentes fuentes o sistemas, pueden tener formatos o estructuras diferentes, lo que hace difícil integrarlos correctamente.

• Ruido en los datos: En algunos casos, se recopilan grandes cantidades de datos, pero estos no son relevantes para los objetivos del análisis, lo que se conoce como "ruido". Filtrar estos datos innecesarios puede ser un desafío.

·         No se estableció un Gantt de la implementación del proyecto

·         El líder del proyecto no establecía metas ni fechas a seguir

·         Todos trabajaban de acuerdo con sus iniciativas, no había acuerdo entre nosotros.

·         Nunca se decidió hacer procedimientos para unificar los procesos.

La experiencia nos enseñó, que todo proyecto debe tener un líder que lleve un punto inicial hasta el final. Añadir a las personas que tienen conocimiento o experiencia en el tipo de proyecto es de mucha ayuda.

Hoy en día, tenemos un Líder de Proyectos, como posición especifica, el cual se encarga de orientar a los involucrados y ver cuáles son las necesidades que se requieren en un proyecto.

Desde la perspectiva de los sistemas de inteligencia de negocios, es fundamental contar con procesos adecuados de captura, integración, almacenamiento y tratamiento de los datos, muchas veces apoyados en arquitecturas como Data Warehouse y procesos ETL, que permiten limpiar, integrar y organizar la información proveniente de diferentes fuentes.

Solo cuando los datos son confiables y están correctamente estructurados es posible aplicar herramientas de Business Intelligence y analítica de datos para generar dashboards, identificar patrones y apoyar la toma de decisiones basada en información y no en intuición. Por esta razón, la gestión y calidad de los datos es uno de los factores críticos para el éxito de cualquier iniciativa analítica.

Otra dificultad importante es la interpretación de los datos. No siempre los números cuentan toda la historia, y en algunos casos pueden llevar a conclusiones erróneas si no se analizan dentro de su contexto.