¿Qué es la jerarquía en la ciencia de los datos?

Si usted ha estado siguiendo la dirección de la opinión de expertos en ciencia de datos y análisis predictivo, es probable que se ha encontrado con la recomendación resuelta de embarcarse en el aprendizaje automático. Como James Hodson en Harvard Business Review recomienda , el movimiento más inteligente es alcanzar la “fruta que cuelga bajo” y luego escalar para la experiencia en operaciones más pesadas.

Hace poco hablamos de plataformas de aprendizaje automático como servicio (MLaaS) . La principal ventaja de las tendencias actuales es simple. El aprendizaje automático se vuelve más accesible para las empresas medianas y pequeñas a medida que se convierte gradualmente en una mercancía. Los principales proveedores – Google, Amazon, Microsoft e IBM – proporcionan API y plataformas para ejecutar operaciones básicas de ML sin una infraestructura privada y una profunda experiencia en ciencia de datos. En las primeras etapas, tomar este enfoque delgado y frugal sería el movimiento más inteligente. Como escala de capacidades analíticas, una estructura de equipo se puede remodelar para aumentar la velocidad operativa y extender un arsenal de análisis.

Esta vez hablamos de estructuras de equipos de ciencia de datos y su complejidad.

Equipos basados en datos

La mayoría de las empresas basadas en datos que tienen éxito abordan tareas complejas de ciencia de datos que incluyen la investigación, el uso de múltiples modelos de ML adaptados a diversos aspectos de la toma de decisiones, o múltiples servicios respaldados por ML. En el caso de las grandes organizaciones, los equipos de ciencia de datos pueden complementar diferentes unidades de negocio y operar dentro de sus campos específicos de interés analítico. Obviamente, los equipos de ciencia de datos están diseñados a medida y conectados para tareas específicas, y son muy diferentes.

Vea nuestro video para una visión rápida de los roles de la ciencia de datos

Echemos un vistazo, por ejemplo, al equipo de ciencia de datos de Airbnb. Puedes mirar. esta charla por el científico de datos de Airbnb Martin Daniel para una comprensión más profunda de cómo la empresa construye su cultura o usted puede leer una entrada de blog de su ex-DS lead , pero en resumen, aquí están tres principios principales que se aplican.

Experimento . Encuentre formas de poner datos en nuevos proyectos utilizando un proceso de Learn-Plan-Test-Measure establecido.

Democratizar los datos. Escalar un equipo de ciencia de datos a toda la empresa e incluso a los clientes.

Mida el impacto. Evalúe qué parte de los equipos DS tienen en su proceso de toma de decisiones y dé crédito por ello.

Estos tres principios son bastante comunes entre los líderes tecnológicos, ya que permiten la toma de decisiones basada en datos. Sin embargo, para seguirlos, hay que tener una estrategia clara en mente y comprender de quién están compuestos estos equipos y cómo encajan en las estructuras organizativas.

Independientemente de si usted está tratando de convertirse en la próxima mejor empresa basada en datos o no, tener el talento adecuado es fundamental. ¿Quiénes son las personas que deberías buscar?

Funciones del equipo de ciencia de datos

Hablemos de conjuntos de conocimientos científicos de datos . Por desgracia, el término científico de datos se expandió y se volvió demasiado vago en los últimos años. Después de que la ciencia de los datos apareció en el centro de atención de las empresas, no hay consenso desarrollado con respecto a cuál es el conjunto de habilidades de un científico de datos. Matthew Mayo, científico de datos y editor adjunto de KDNuggets, argumenta : " Cuando oigo el término científico de datos , tiendo a pensar en el unicornio, y todo lo que implica, y luego recordar que no existen, y que los científicos de datos reales juegan muchos papeles diversos en las organizaciones, con diferentes niveles de habilidades empresariales, técnicas, interpersonales, de comunicación y de dominio. ”

Esto es cierto. Es difícil encontrar unicornios, pero es posible hacerlos crecer a partir de personas con conocimientos especializados en ciencia de datos. En AltexSoft consideramos estas habilidades de ciencia de datos al contratar especialistas en aprendizaje automático :

Skillset de un científico de datos

Como verá a continuación, hay muchos roles dentro del ecosistema de ciencia de datos, y muchas clasificaciones que se ofrecen en la web. Vamos a compartir con ustedes el uno ofrecido por Stitch Fix de Michael Hochster . Michael define dos tipos de científicos de datos: Tipo A y Tipo B.

Tipo A significa Análisis . Esta persona es un estadístico que tiene sentido de los datos sin necesariamente tener un fuerte conocimiento de programación. Los científicos de datos de tipo A realizan limpieza de datos, pronóstico, modelado, visualización, etc.

El tipo B significa Edificio. Estas personas usan datos en la producción. Son excelentes buenos ingenieros de software con algunos antecedentes estadísticos que construyen sistemas de recomendación, casos de uso de personalización, etc.

Rara vez un experto encaja en una sola categoría. Pero entender estas dos funciones de ciencia de datos puede ayudarle a entender los roles que hemos descrito más adelante.

Tenga en cuenta que incluso los profesionales con este conjunto de habilidades hipotéticas generalmente tienen sus fortalezas básicas, que deben ser consideradas al distribuir roles dentro de un equipo. En la mayoría de los casos, la adquisición de talentos implicará una mayor formación en función de sus antecedentes.

Pero la gente y sus papeles son dos cosas diferentes. Por ejemplo, si su modelo de equipo es el integrado, un individuo puede combinar múltiples roles. Por lo tanto, vamos a ignorar cuántos expertos reales puede tener y esbozar los roles en sí mismos. Obviamente, muchos conjuntos de habilidades a través de los papeles pueden intersecarse.

Oficial Jefe de Análisis y Oficial Jefe de Datos. En nuestro papel blanco sobre aprendizaje automático , Debatimos ampliamente este papel clave de liderazgo. CAO, un “traductor de negocios”, salva la brecha entre la ciencia de los datos y la experiencia de dominio actuando como un visionario y un líder técnico. Usted puede obtener una mejor idea mirando la visualización de abajo.

Analista de datos. El papel de analista de datos implica la recopilación adecuada de datos y actividades de interpretación . Un analista asegura que los datos recopilados sean relevantes y exhaustivos al mismo tiempo que interpreta los resultados analíticos. Algunas compañías, como IBM o HP, también requieren que los analistas de datos tengan visualización habilidades para convertir números alienantes en percepciones tangibles a través de gráficos.

Competencias preferidas: R, Python, JavaScript, C/C++, SQL

Analista de negocios. A Analista de negocios básicamente realiza las funciones de un CAO, pero a nivel operativo. Esto implica convertir las expectativas de las empresas en análisis de datos. Si su científico de datos básicos carece de experiencia de dominio, un analista de negocios cierra este abismo.

Competencias preferidas: visualización de datos, inteligencia de negocios, SQL

Científico de datos (no una ciencia de datos unicornio ) . ¿Qué hace un científico de datos? Asumiendo que usted no está cazando unicornios, un científico de datos es una persona que resuelve tareas de negocios utilizando el aprendizaje automático y técnicas de extracción de datos. Si esto es demasiado borroso, el papel se puede reducir a preparación y limpieza de datos con formación y evaluación de modelos adicionales.

Para evitar la confusión y hacer que la búsqueda de un científico de datos sea menos abrumadora, su trabajo a menudo se divide en dos roles: ingeniero de aprendizaje automático y periodista de datos.

A ingeniero de aprendizaje automático combina la ingeniería de software y las habilidades de modelado determinando qué modelo utilizar y qué datos deben utilizarse para cada modelo. La probabilidad y las estadísticas son también su fuerte. Todo lo que entra en entrenamiento, monitoreo y mantenimiento de un modelo es trabajo de ingeniero de ML.

Competencias preferidas: R, Python, Scala, Julia, Java

Papel de ingeniero de ML, explicado en 12 minutos o menos

Periodistas de datos ayudar a dar sentido a la salida de datos poniéndola en el contexto correcto. También tienen la tarea de articular los problemas empresariales y plasmar los resultados analíticos en historias convincentes. Aunque es necesario tener experiencia en codificación y estadística, deben ser capaces de presentar la idea a las partes interesadas y representar al equipo de datos con aquellos que no están familiarizados con las estadísticas.

Competencias preferidas: SQL, Python, R, Scala, Carto, D3, QGIS, Tableau

Arquitecto de datos. Este papel es crítico para trabajar con grandes cantidades de datos (lo adivinaste, Big Data). Sin embargo, si no confía únicamente en las plataformas de nube MLaaS, este papel es fundamental para almacenar los datos, definir la arquitectura de la base de datos, centralizar los datos y garantizar la integridad en diferentes fuentes. Para los grandes sistemas distribuidos y big datasets, el arquitecto también se encarga del rendimiento.

Competencias preferidas: SQL, noSQL, XML, Colmena, Cerdo, Hadoop, Spark

Ingeniero de datos. Los ingenieros implementan, prueban y mantienen componentes infraestructurales que los arquitectos de datos diseñan. Realísticamente, el papel de un ingeniero y el papel de un arquitecto se pueden combinar en una sola persona. El conjunto de habilidades está muy cerca.

Ingeniero de visualización de aplicaciones/datos. Básicamente, este papel sólo es necesario para un modelo especializado de ciencia de datos. En otros casos, los ingenieros de software vienen de unidades de TI para ofrecer resultados de ciencia de datos en aplicaciones que los usuarios finales enfrentan. Y es muy probable que un ingeniero de aplicaciones u otros desarrolladores de las unidades de front-end supervisarán la visualización de datos del usuario final.

Montaje y escalado en equipo

El desafío inicial de la adquisición de talento en la ciencia de los datos, además de la escasez general de expertos, son las altas expectativas salariales. De acuerdo con O’Reilly Encuesta de sueldos de ciencia de datos 2017 , la mediana del salario base anual fue de $90.000, mientras que en los EE.UU. la cifra alcanzó $ 112.774 en el momento de actualizar este artículo. Estas cifras varían significativamente dependiendo de la geografía, las habilidades técnicas específicas, el tamaño de la organización, el género, la industria y la educación. Si usted decide contratar expertos en análisis especializados , otros desafíos también incluyen el compromiso y la retención.

Sin duda, la mayoría de los científicos de datos se esfuerzan por trabajar en una empresa con problemas interesantes que resolver. Pero no todas las empresas son Facebook, Netflix o Amazon. Sin embargo, la necesidad de cumplir con las tareas relacionadas con los datos alienta a las organizaciones a contratar a científicos de datos para puestos de nivel inicial. Por lo tanto, contratar a un generalista con un fuerte historial STEM y alguna experiencia trabajando con los datos, como Daniel Tunkelang aconseja , es una opción prometedora en los niveles iniciales de la adopción del aprendizaje automático. Este enfoque sugiere cambiar a especialistas fuertes y de enfoque estrecho en una etapa posterior. Reemplazarían algoritmos rudimentarios por otros nuevos y avanzarían sus sistemas de forma regular.

Otra forma de abordar la escasez de talento y las limitaciones presupuestarias es desarrollar plataformas de aprendizaje automático accesibles que acojan a nuevas personas de TI y permitan una mayor ampliación. Aunque no se pueda contratar a científicos de datos experimentados, algunas organizaciones evitan esta barrera estableciendo relaciones con instituciones educativas. En los EE.UU., hay alrededor de una docena de programas de doctorado que enfatizan la ciencia de los datos y numerosos campos de entrenamiento con cursos de 12 meses o así.

Cómo integrar un equipo de ciencia de datos en su empresa

A medida que crece un equipo de ciencia de datos junto con las necesidades de la compañía, se requiere crear un departamento completamente nuevo que necesita ser organizado, controlado, monitoreado y administrado. Este enorme cambio organizativo sugiere que un nuevo grupo debería tener roles y responsabilidades establecidos, todo en relación con otros proyectos e instalaciones. Entonces, ¿cómo integras a los científicos de datos en tu empresa?

Descentralización

Esta es la opción menos coordinada donde los esfuerzos de análisis se utilizan esporádicamente en toda la organización y los recursos se asignan dentro de la función de cada grupo. Esto ocurre a menudo en las empresas cuando la experiencia en ciencia de datos ha aparecido orgánicamente. Las unidades de negocio, como los equipos de productos, o las unidades funcionales en algún momento reconocen su necesidad interna de análisis. Comienzan a contratar científicos o analistas de datos para satisfacer esta demanda. A veces, un científico de datos puede ser la única persona en un equipo de productos multifuncional con experiencia en análisis de datos.

Aplicación descentralizada.

El modelo descentralizado funciona mejor para las empresas sin intención de extenderse a una empresa basada en datos. También puede aplicarse a las primeras etapas de las actividades de ciencia de datos para el progreso a corto plazo de proyectos de demostración que aprovechan análisis avanzados.

Hay una serie de inconvenientes que este modelo tiene.

Este modelo a menudo conduce a la lucha de silos, la falta de estandarización analítica, y – usted lo adivinó – la información descentralizada.
El proceso de contratación es un problema. Cuando los gerentes contratan a un científico de datos para su equipo, es un reto para ellos realizar una entrevista adecuada. Ellos entienden claramente, digamos, los roles, responsabilidades y habilidades de un ingeniero de software típico, mientras no están familiarizados con los de un científico de datos. Por lo tanto, poner todo junto es un desafío para ellos.
La gestión de una trayectoria profesional de los científicos de datos también es problemática. Mientras que los gerentes de equipo son totalmente claros sobre cómo promover un ingeniero de software, otros pasos para los científicos de datos pueden plantear preguntas. El mismo problema persigue la construcción de un plan de desarrollo individual.
Las normas de calidad más bajas y las mejores prácticas infravaloradas suelen ser el caso. El punto es que los científicos de datos deben obtener conocimiento de otros científicos de datos mentores. Como tal opción no se proporciona en este modelo, los científicos de datos pueden terminar por su cuenta. Esto generalmente no conduce a ninguna mejora de las mejores prácticas, que por lo general reduce calidad de los datos y la calidad de un producto en su conjunto.

Funcional

Aquí la mayoría de los especialistas en análisis trabajan en un departamento funcional donde el análisis es más relevante. Y, a menudo es la comercialización o la cadena de suministro. Esta opción también implica poca o ninguna coordinación y la experiencia no se utiliza estratégicamente en toda la empresa.

Aplicación funcional

El enfoque funcional es el más adecuado para las organizaciones que se están embarcando en el camino del análisis. No tienen necesidad de analizar datos desde cada punto, y en consecuencia, no hay tantos procesos analíticos para crear un equipo separado y centralizado de ciencia de datos para toda la organización.

Los inconvenientes del modelo funcional se esconden en su naturaleza centralizada.

Mantenerse alejado de los dolores de la compañía global. El enfoque implica que las actividades analíticas se centran principalmente en las necesidades funcionales y no en todas las necesidades de las empresas. Tal desconocimiento puede resultar en aislamiento analítico y mantenerse fuera de contexto.
Débil cohesión debido a la ausencia de un gestor de datos. Como un equipo de análisis está integrado en una unidad de negocios en particular, presenta informes directamente al jefe de esta unidad. De esta manera, puede que no haya un gestor de ciencia de datos directo que entienda los detalles de su equipo.

Consultoría

En esta estructura, las personas analíticas trabajan juntas como un solo grupo, pero su papel dentro de una organización es la consultoría, lo que significa que diferentes departamentos pueden “contratarlas” para tareas específicas. Esto, por supuesto, significa que casi no hay asignación de recursos – o bien el especialista está disponible o no.

Aplicación de la consultoría

El modelo de consultoría es el más adecuado para empresas SMB con tareas esporádicas y de ciencia de datos de pequeña a mediana escala. A medida que todos los miembros del equipo DS se presentan e informan a un director del equipo DS, la gestión de un equipo DS se vuelve más fácil y más barato para SMB.

Sin embargo, siempre hay algunos escollos.

En primer lugar, la mala calidad de los datos puede convertirse en un defecto fundamental del modelo. Como los científicos de datos no pueden adherirse a sus mejores prácticas para cada tarea, tienen que sacrificar la calidad a las necesidades de los negocios que exigen soluciones rápidas.
Además, está la trampa de baja motivación. Dado que los científicos de datos no participan plenamente en la creación de productos ni en la adopción de decisiones, tienen poco o ningún interés en el resultado.
Un grave inconveniente de un modelo de consultoría es la incertidumbre. Los plazos no están claros, ya que los científicos de datos no están claramente familiarizados con las fuentes de datos y el contexto de su aparición. Los proyectos complejos y a largo plazo apenas son accesibles porque a veces los especialistas trabajan durante años en el mismo conjunto de problemas para lograr grandes resultados.
El método de priorización tampoco está claro. Todavía es difícil identificar cómo un gestor de ciencia de datos prioriza y asigna tareas para los científicos de datos y qué objetivos favorecer primero.

Centralizado

Esta estructura finalmente le permite utilizar el análisis en tareas estratégicas: un equipo de ciencia de datos sirve a toda la organización en una variedad de proyectos. No sólo proporciona a un equipo de DS financiación a largo plazo y una mejor gestión de los recursos, sino que también fomenta el crecimiento profesional. La única trampa aquí es el peligro de transformar una función analítica en una de apoyo.

Aplicación centralizada

Uno de los casos de mejor uso para crear un equipo centralizado es cuando la demanda de análisis y el número de analistas está aumentando rápidamente, lo que requiere la asignación urgente de estos recursos. Introduciendo un enfoque centralizado, una empresa indica que considera los datos un concepto estratégico y está lista para construir un departamento de análisis igual a ventas o marketing.

Como siempre, hay algunos escollos en el modelo.

Existe una alta probabilidad de aislarse y enfrentarse a la desconexión entre un equipo de análisis de datos y líneas de negocio. Como el equipo de análisis de datos no participa en las actividades regulares de las unidades de valor comercial reales, es posible que no estén muy familiarizados con las necesidades y los dolores de este último. Esto puede dar lugar a la escasa pertinencia de las recomendaciones que pueden dejar sin utilizar y pasar por alto.
Esto lleva a desafíos en una cooperación significativa con un equipo de productos. Una vez que el grupo de análisis ha encontrado una manera de abordar un problema, sugiere una solución para un equipo de productos. El mayor problema es que esta solución puede no encajar en un hoja de ruta del producto . Y, el conflicto puede aparecer. La única manera aquí es crear un equipo que evalúe, diseñe e implemente la solución sugerida. Sin embargo, esta alternativa requiere mucho esfuerzo, tiempo y dinero.

A veces, usted puede encontrar que un modelo centralizado es descrito como el Centro de Excelencia. Y está bien, siempre hay escenarios únicos. Pero nos ceñiremos a la clasificación Accenture, ya que parece más detallada, y dibujaremos una diferencia entre el modelo centralizado y el centro de excelencia.

Centro de Excelencia (CdE)

Si eliges esta opción, seguirás manteniendo el enfoque centralizado con un solo centro de coordinación, pero los científicos de datos serán asignados a diferentes unidades de la organización. Esta es la estructura más equilibrada: las actividades analíticas están altamente coordinadas, pero los expertos no serán eliminados de las unidades de negocio.

Implementación del Centro de Excelencia

Debido a sus interacciones bien equilibradas, el enfoque se está adoptando cada vez más, especialmente en las organizaciones de escala empresarial. Funciona mejor para las empresas con una estrategia corporativa y una hoja de ruta de datos bien desarrollada.

Sin embargo, incluso un enfoque tan profundamente centrado en los datos tiene sus inconvenientes.

Si bien este enfoque es equilibrado, no hay un solo grupo centralizado que se centre en los problemas a nivel empresarial. Cada grupo analítico estaría resolviendo problemas dentro de sus unidades.
Otro inconveniente es que no hay una unidad de innovación, un grupo de especialistas que se centran principalmente en soluciones de última generación e iniciativas de datos a largo plazo en lugar de las necesidades cotidianas.

Federated

Este modelo es relevante cuando hay una demanda cada vez mayor de talento analítico en toda la empresa. Aquí, usted emplea un equipo de tipo SWAT – un grupo de análisis que trabaja desde un punto central y se ocupa de complejas tareas multifuncionales. El resto de los científicos de datos se distribuyen como en el modelo del Centro de Excelencia. Básicamente, el modelo federado combina el enfoque de coordinación y descentralización del modelo del Consejo de Europa, pero deja esta unidad vanguardista.

Aplicación en el marco de la Federación

El modelo federado se adopta mejor en las empresas donde los procesos y tareas de análisis tienen un carácter sistémico y necesitan actualizaciones diarias. Este enfoque puede servir tanto para objetivos a escala empresarial como para diseño de tableros empresariales y análisis adaptados a las funciones con diferentes tipos de modelado.

Aunque parece que el modelo federado es perfecto, todavía hay algunos inconvenientes.

Gastos de adquisición y retención de talentos. Como este modelo sugiere un especialista separado para cada equipo de productos y la gestión central de datos, esto puede costarle un centavo. Por lo tanto, el enfoque en su forma pura no es la mejor opción para las empresas cuando se encuentran en sus primeras etapas de la adopción analítica.
La multifuncionalidad puede crear un entorno de conflicto. Puede carecer de una paridad de poder entre todas las posiciones de liderazgo del equipo y causar entregas tardías o resultados cuestionables debido a conflictos constantes entre los líderes del equipo de unidad y la dirección del Consejo de Europa.

Democrática

Este modelo es una forma adicional de pensar en la cultura de los datos. El modelo democrático implica que todos en su organización tengan acceso a los datos a través de Herramientas de BI o portales de datos. Esto significa que puede combinarse con cualquier otro modelo descrito anteriormente. Usted puede tener un enfoque federado con especialistas en análisis y CoE dentro de cada departamento y al mismo tiempo exponer las herramientas de BI a todos los interesados en utilizar datos para sus funciones, lo que es genial en términos de fomentar la cultura de datos.

Aplicación democrática

Los miembros del equipo de productos como gerentes de productos e ingeniería, diseñadores e ingenieros acceden directamente a los datos sin atraer a científicos de datos.

¿Cuáles son los inconvenientes?

La empresa que integra este modelo generalmente invierte mucho en infraestructura de ciencia de datos, herramientas y capacitación.
Usted simplemente necesita más gente para evitar cuentos de un ingeniero de datos siendo ocupado con ajustar un tablero de BI para otro representante de ventas, en lugar de hacer trabajo real de ingeniería de datos.

Recuerde, que su modelo puede cambiar y evolucionar dependiendo de sus necesidades de negocio: Mientras que hoy usted puede estar contento con los científicos de datos que residen en sus unidades funcionales, mañana un Centro de Excelencia puede convertirse en una necesidad.

Más recomendaciones para crear un equipo de ciencia de datos de alto rendimiento

Busca talento en la casa. Antes incluso de pensar en la adquisición de talento externo para roles de ciencia de datos, evalúe aquellos que ya tiene en su empresa. Averigüe si hay algún empleado que quisiera moverse en esa dirección. Identificar sus habilidades en ciencia de datos, lagunas aún por llenar, e invertir en capacitación.

Pase menos tiempo contratando personas para cada título y concéntrese en entender qué roles puede cumplir un especialista de datos individual. Para las startups y las organizaciones más pequeñas, las responsabilidades no tienen que ser esclarecidas estrictamente.

Fomentar colaboraciones interfuncionales. Diseñadores, vendedores, Gestores de productos , y todos los ingenieros necesitan trabajar en estrecha colaboración con el equipo DS.

Practicar incrustación. Como mencionamos anteriormente, la contratación y retención de talentos en ciencias de los datos requiere algunas actividades adicionales. Una de ellas es la integración: colocar a los científicos de datos para que trabajen en departamentos centrados en las empresas para que informen de forma centralizada, colaboren mejor y les ayuden a sentirse parte del panorama general. Aquí trabajan modelos federales, del Consejo de Europa o incluso descentralizados.

Establecer un entorno de equipo antes de contratar al equipo. Esto significa que sus gerentes de productos deben ser conscientes de las diferencias entre los datos y los productos de software, tener expectativas adecuadas, y resolver las diferencias en entregables y plazos. Las PM necesitan tener suficiente conocimiento técnico para entender estas especificidades. Alternativamente, puede comenzar a buscar científicos de datos que puedan cumplir este papel de inmediato.

Lo crítico de lo que hay que tener en cuenta

Si le pregunta a los expertos en ciencia de datos de AltexSoft cuál es el estado actual de la IA/ML en todas las industrias, probablemente señalarán dos cuestiones principales: 1. ROI de las inversiones en ML existe. 2. Si están convencidos y entienden la propuesta de valor y la demanda del mercado, pueden carecer de conocimientos técnicos y recursos para hacer que los productos sean una realidad.

Estas barreras se deben principalmente a la cultura digital en las organizaciones. Procesos de datos eficientes desafían a los ejecutivos de nivel C a adoptar decisiones horizontales. Los administradores de primera línea con acceso a análisis tienen más libertad operativa para tomar decisiones basadas en datos , mientras que la dirección de alto nivel supervisa una estrategia. Esto reduce el esfuerzo de gestión y, en última instancia, mitiga los riesgos de “sensación de dolor de cabeza”. Básicamente, el cambio cultural define el éxito final de la construcción de un negocio basado en datos. As McKinsey argumenta , establecer una cultura es probablemente la parte más difícil, mientras que el resto es manejable.