What is Data Ops

¿Qué es DataOps?

Por qué lo necesita ahora y cómo puede materializarlo.

¿Qué es DataOps? Depende de a quién le pregunte. El concepto está evolucionando, hay muchas opiniones al respecto y todos tienen su propio punto de vista. Existe una tendencia a centrarse en las herramientas y en los mecanismos, pero DataOps es mucho más que eso. Si se deja llevar por las palabras de moda, perderá el verdadero significado de un término.

Entonces, ¿qué es DataOps? No es un software ni una herramienta que pueda comprar. Definitivamente, la tecnología forma parte de este concepto. Creo que debe pensar de manera más holística. DataOps tiene mucho más que ver con las personas y los procesos: aquellos que producen datos, aquellos que los consumen, cómo se comunican y cómo usted pone los datos a disposición. Puede incorporar principios ágiles, de DevOps, de administración de la calidad total y de manufacturing eficiente, y aplicar todo eso al análisis.

En Rackspace Technology, definimos DataOps como una “infraestructura de procesos para todo el ciclo de vida de los datos que incorpora implementaciones estilo DevOps, desarrollo ágil y gobernanza y controles estadísticos de procesos para aplicar con respecto a las personas, los procesos y la tecnología”. Si tuviera que resumir eso en un mensaje clave, sería: DataOps se trata de cómo poner a disposición los datos para los consumidores, de la manera más eficiente. Es la orquestación de personas, procesos y tecnología para ofrecer datos confiables y de alta calidad a los usuarios adecuados, donde y cuando los necesiten.

Por qué necesitamos DataOps ahora

DataOps provee respuestas a los desafíos clave en la administración de datos con almacenes de datos y lagos de datos, inteligencia comercial con dashboards e informes y ciencia de datos con flujos y preparación de datos. Optimiza los procesos, mejora la colaboración, aumenta la agilidad y la velocidad y establece una cultura de mejora continua. Acorta las distancias entre la ingeniería de datos, la TI y las empresas, garantiza la relevancia con ciclos de implementación cortos y conduce a la creación de flujos de análisis que mantienen la flexibilidad de los procesos de ciencia de datos.

En la actualidad, el COVID-19 es una respuesta mucho más corta a la pregunta de por qué necesitamos DataOps.

La pandemia trastocó todos los modelos y las predicciones que alguna vez tuvieron las empresas de TI. Dejó de manifiesto que las cosas pueden cambiar rápido y, si no tiene datos a su alcance, no puede adaptarse con la suficiente velocidad para ponerse al día con la realidad. Durante el último año, muchas empresas descubrieron que, aunque tenían los datos que necesitaban en algún lugar, sus sistemas no les permitían usarlos.

Las empresas demoran semanas o meses en obtener los datos que necesitan y, luego, analizarlos. Eso no alcanza. Necesitamos descifrar cómo pasar de un par de meses a un día. Ese es el gran desafío. De lo contrario, cuando los datos llegan a un usuario o a una parte interesada, ya no son útiles ni relevantes. Se pierde el propósito original para el cual se requerían esos datos.

La combinación de personas, procesos y tecnología puede ayudar a resolver estas cuestiones. El propósito debe ser pasar al autoservicio, donde los datos tienen mayor disponibilidad. De nuevo, esto es DataOps. No se manifiesta como una herramienta ni como una tecnología, sino como un concepto. Se trata de que los datos vayan rápido desde los sistemas de origen hasta los usuarios de destino, mientras sea relevante, de una manera que se puedan utilizar con facilidad.

Cómo se puede materializar DataOps

Si bien algunas organizaciones podrían afirmar lo contrario, DataOps no surge mágicamente. Hay algunos desafíos clave por superar. Es fundamental hacer lo siguiente:

1. Implementar una estrategia

Esto puede parecer obvio, pero muchas empresas no tienen una estrategia de DataOps. De hecho, ni siquiera tienen la visión de empezar a pensar acerca de DataOps. Sin una estrategia implementada, y sin la aceptación por parte del liderazgo, una empresa corre el riesgo de responder al despliegue publicitario en vez de a las necesidades comerciales. Es vital que las empresas adopten un enfoque holístico y definan una estrategia de DataOps que funcione específicamente para cada organización.

2. Administrar el cambio de manera eficiente

Con DataOps, debe poder cambiar, y seguir el ritmo del cambio con bastante rapidez. Podrá hacer eso solo si cuenta con una administración adecuada de los cambios con respecto a los datos. Incluso en el caso de las empresas inmersas en la automatización, la práctica de administración del cambio y los flujos de CI/CD para análisis siguen siendo relativamente nuevos. Por lo tanto, asegúrese de que haya una administración del cambio eficaz en su organización y de que se implemente desde los más altos niveles.

3. Integrar la seguridad desde el comienzo

No puede permitir que las personas equivocadas tengan acceso a los datos y los supervisen. Por lo tanto, debe entender si sus datos están seguros, cómo están protegidos, dónde y cómo están disponibles, y si las personas adecuadas tienen los niveles adecuados de acceso. Todo esto se debe integrar desde el principio.

4. Asegurarse de que cuenta con datos de calidad

Es fundamental poder observar los datos y abordar los problemas si cambian. Para eso, se necesita mucha instrumentación y, además, entra en juego la automatización. Debe asegurarse de que no haya una baja en la calidad de los datos y de que no haya diferentes personas que manifiesten interpretaciones contradictorias de los mismos datos. Debe ser disciplinado acerca de esto a un nivel esencial de la organización y crear políticas y definiciones para reducir los errores y seguir esforzándose por reducir el tiempo del ciclo, optimizando y acelerando así sus esfuerzos.

5. Identificar su madurez con respecto a DataOps

Pocas empresas son maduras en este campo. Algunas están más adelantadas que otras. Cuando lo analice, cada empresa estará en un lugar único en cuanto a la automatización, la administración, la colaboración y otros factores. En general, hay más empresas avanzadas en cuanto a la automatización; muchas quedan rezagadas en lo que respecta a la colaboración interfuncional, asegurándose de que los datos se compartan en una organización y de que las personas adecuadas tengan acceso. Determine dónde están las deficiencias de su empresa y concéntrese en solucionarlas.

Avance hacia DataOps

¿Cuáles son las conclusiones clave para hacer que DataOps funcione para usted? ¿Qué consejo debería tomar para incorporar este concepto y esta cultura en todo lo que hace?

Desarrolle conciencia. Comience con los datos que existen e incentive a todos en su organización a que aprovechen los datos, no solo a los analistas comerciales. Ese es el primer paso. Luego utilice la automatización de la plataforma para reducir el tiempo que lleva poner los datos donde tienen que estar.

Durante todo el proceso, asegúrese de que los usuarios entiendan los datos y su valor. Luego concrételo, para que puedan hacerlo ellos mismos. Vaya más allá de esos obstáculos iniciales y su empresa estará bien encaminada.

Sobre todo, olvídese del despliegue publicitario que rodea a DataOps y de las muchas palabras de moda que se barajan. En su lugar, relacione todo con ese único mensaje acerca de cómo hacer que los datos lleguen a sus usuarios finales. Concéntrese en los resultados. Y pregúntese: ¿Qué objetivos comerciales estamos tratando de resolver? Todo lo demás dará resultados una vez que tenga una buena visión de cómo quiere usar los datos.

 

Join the Conversation: Find Solve on Twitter and LinkedIn, or follow along via RSS.

Stay on top of what's next in technology

Learn about tech trends, innovations and how technologists are working today.

Subscribe
DataOps

Cinco pasos para alcanzar el éxito en la modernización de datos

About the Authors

Nirmal Ranganathan

Chief Architect - Data & AI

Nirmal Ranganathan

Nirmal Ranganathan is the Chief Architect – Data & AI at Rackspace Technology and responsible for technology strategy and roadmap for Rackspace's Public Cloud Data & AI solutions portfolio, working closely with customers, alliances and partners. Nirmal has worked with data over the past 2 decades, solving distributed systems challenges dealing with large volumes of data, being a customer advocate and helping customers solve their data challenges. Nirmal consults with customers around large-scale databases, data processing, data analytics and data warehousing in the cloud, providing solutions for innovative use cases across industries leveraging AI and Machine Learning.

Read more about Nirmal Ranganathan