4 formas de mejorar la gestión de proyectos de big data

Si bien estas proyecciones sobre inversiones y beneficios corporativos son importantes, las organizaciones continúan demorándose en la gestión efectiva de proyectos de big data.

¿Cómo pueden las empresas revertir esto? Aquí cuatro sugerencias.

1. Infundir la gestión de proyectos en grandes esfuerzos de datos

La naturaleza de los proyectos de big data y análisis es iterativa. Siempre habrá nueva información y tipos de datos, y los científicos de datos están preparados para revisar algoritmos y consultas a medida que haya nueva información disponible. Sin embargo, esto no significa que no se deben adoptar prácticas de gestión de proyectos más lineales. Por ejemplo, los datos deben limpiarse y prepararse antes de poder utilizarlos. Además, una vez que se desarrollan los algoritmos y las aplicaciones que usan big data, se deben probar y configurar antes de la implementación.

La mejor manera de lograr estos objetivos es agregar un gerente de proyectos capacitado al equipo de ciencia de datos o usar las habilidades de administración de proyectos y el personal de TI.

2. Involucrar al equipo

Si su equipo de ciencia de datos está separado de TI, es hora de combinar estas dos disciplinas.

Inicialmente, muchas organizaciones comenzaron sus equipos de ciencia de datos como departamentos independientes con el fin de probar de forma experimental lo que Big Data y los análisis podían ofrecer. Las organizaciones no saben que las aplicaciones de big data, inteligencia artificial y aprendizaje automático que están desarrollando deben integrarse con otras aplicaciones y sistemas de TI para obtener el máximo valor.

Ha llegado el momento de que la ciencia de la información se convierta en parte de TI o colabore estrechamente en proyectos e implementaciones con TI. Esta es la única forma de lograr una verdadera integración de big data y análisis con otros sistemas y aplicaciones en toda la compañía.

3. Desarrollar un equipo de monitoreo y mantenimiento de big data

El proceso debe ser monitoreado y mantenido continuamente una vez que Big Data y los análisis se implementan en la producción. Por ejemplo, si otras aplicaciones de TI llaman a una fuente de big data como una subrutina incorporada, TI debe asegurarse de que la llamada funcione correctamente y se devuelvan los datos adecuados.

4. Utilizar el desarrollo ágil

Debido a que la revisión de algoritmos a medida que los datos cambian es un proceso iterativo y continuo, TI debe adaptar su estilo de gestión de proyectos al desarrollo ágil, y alejarse de la gestión tradicional de proyectos de TI en cascada. Los científicos de datos ya entienden el concepto de revisiones iterativas de algoritmos a medida que los datos cambian. En este caso, el gerente del proyecto, ya sea de TI o del equipo de ciencia de datos, debe aprender a combinar algunos de los flujos lineales de la administración tradicional de proyectos de TI, como la preparación de datos, las pruebas de regresión y el mantenimiento de aplicaciones, con revisiones e inserciones ágiles de Algoritmos de datos a medida que surge la necesidad de cambiarlos.

Descubre la innovación

Para asegurar el éxito empresarial, ahora y a futuro, es imprescindible maximizar el retorno de la inversión existente en software, a la vez que innovar y adoptar nuevas tecnologías. Los retos que hay abordar para competir en un mundo de TI Híbrida incluyen DevOps, Seguridad, Gestión de riesgos y Análisis predictivo. Puedes obtener más información sobre cómo abordar estos retos e innovar en este enlace.