El concepto de considerar a los datos como activos monetizables es aceptado por la gran mayoría de las organizaciones, sean de gestión pública o privada, y por eso la incorporación de nuevas herramientas analíticas para mejorar y acelerar la toma de decisiones provoca una demanda insatisfecha de equipos y tecnologías de "Ciencia de Datos". 

Se espera que la Ciencia de Datos ayude al desarrollo de nuevas formas de pensamiento y gestión sostenidas por modelos analíticos avanzados.  Genéricamente se identifica este cambio cultural como la evolución hacia organizaciones data - driven. 

Inteligencia Artificial (IA) es un término que engloba aquellas técnicas que permiten un aprendizaje automático a partir de la exploración y análisis de los datos y que, en algunos casos, también ejecutan acciones asociadas a los resultados que obtienen de sus análisis. Disponer de estas herramientas permite a las organizaciones realizar proyecciones sobre comportamientos futuros del negocio, automatización de decisiones para acelerar procesos y optimización de inversiones y uso de recursos.

El despliegue de la IA implica inversiones importantes en infraestructura, software, equipos, procesos. También deben considerarse los costos de la capacitación de los decisores y de todos los productores y consumidores de datos que no pueden ignorar cuestiones básicas de cuidado de la privacidad y la seguridad de los activos que manejan.

Sin embargo, habitualmente se subestima el costo relacionado con la disponibilidad, calidad y credibilidad de los datos. Esta subestimación suele terminar siendo una barrera hacia la adopción de la IA. Generalmente  está asociada a la creencia preestablecida de que las herramientas de IA pueden por sí mismas interpretar datos no estructurados, comprender preguntas complejas de los usuarios y presentar resultados convincentes a los decisores sin demasiado esfuerzo de los humanos involucrados en el proyecto. 

Los productos de datos construidos con herramientas de aprendizaje automático tratan de ocultar esta complejidad a los ojos de los usuarios finales. Pero esto no significa que la complejidad  esté ausente. La generación del conocimiento, capturada en los datos que almacenamos, es una actividad necesariamente humana. No se puede , por lo tanto , ignorar el esfuerzo necesario para optimizar la recolección, organización, interpretación y disponibilidad de los activos de información.

Los datos son entidades frías y solitarias, inherentemente ambiguas salvo que se genere un contexto de interpretación alrededor de ellos. La generación de este contexto es precisamente la finalidad de las actividades incluidas en el concepto genérico de "Gobierno de Datos".

 

El Gobierno de Datos no es sino el ejercicio de la autoridad y el control de los procesos que tratan los datos como activos monetizables y no debe confundirse ni limitarse a las disciplinas que atienden la seguridad y privacidad que, si bien son críticas, representan solamente una parte de la enorme tarea que significa generar en las organizaciones 

Además de atender la seguridad y la privacidad, el Gobierno de Datos se ocupa de la unificación del significado de los datos para todo el negocio generando una única fuente de verdad. Esta tarea brinda consistencia a los resultados que se obtienen a partir de la IA, permite su explicabilidad y mejora la estabilidad de los procesos analíticos a través del tiempo.  También el Gobierno de Datos atiende la Gestión de Datos Maestros que integra atributos de las entidades maestras que se encuentran dispersas en diferentes sistemas y subsistemas. Esta tarea asegura la correcta construcción de lo que se conoce como Visión 360 de las entidades. La integración facilita un acceso seguro y creíble a los descriptores de los principales actores(clientes, proveedores, productos, etc). Sin Gestión de Datos Maestros es imposible construir el contexto que permita interpretar correctamente el significado, rol, utilidad y valor de los datos que recopilamos para poder reducir su ambigüedad.

Por otra parte, la calidad de los activos de información también es un desafío para el equipo de Gobierno de Datos. Perfilar, establecer las métricas más adecuadas para cada repositorio, identificar las causas de los problemas de calidad, corregir de ser posible y modificar los procesos de captura de datos que producen los incidentes requiere necesariamente de un equipo de personas dedicadas. Estos perfiles deben estar capacitados en el uso de las tecnologías pero también con un profundo conocimiento del negocio para asegurar la interpretación correcta del problema de calidad y su posible solución.

En consecuencia resulta muy difícil, por no decir imposible, ignorar la necesidad de datos controlados para desarrollar luego modelos estables. La calidad de un modelo depende de los datos que lo alimentan. Pero esta calidad no puede ser responsabilidad del científico de datos que está a cargo del desarrollo en una tarea puntual limitada solamente al alcance de su trabajo. Se necesita en cambio una visión holística de todo el proceso: desde el diseño y relevamiento del negocio hasta el despliegue y seguimiento de los resultados en una cadena continua e integrada de tareas. El Gobierno de Datos es una responsabilidad corporativa porque los datos son un activo de la empresa.

Asumir el desafío de transformar los modos de pensamiento en una organización invirtiendo en tecnologías analíticas supone entonces asumir la responsabilidad de garantizar primero la credibilidad y usabilidad de los datos. Solamente de este modo la IA podrá desplegar todo su potencial.

(*) Profesora en la Maestría de Ciencia de Datos e Innovación Empresarial de la Universidad CAECE