¿Cómo saber sí mi data está estructurada?

Mucho hemos escuchado hablar sobre la data y su importancia en los procesos de diseño de productos y servicios, incluso existe desde hace tiempo, el nombre de Growth Design para conceptualizar la interacción entre el proceso de diseño de servicios y productos para resolver problemas y el análisis de las métricas de negocio, para lograr los ajustes necesarios que mejorarán la experiencia de las personas usuarias y clientes.

Y sí, todos queremos data para sustentar nuestras propuestas y decisiones de diseño. Pero extraerla, organizarla y descifrarla, requiere mucho más que una herramienta o muchas herramientas.

Una vez que conectamos todo lo necesario para extraer la data ¿qué hacemos? ¿qué aprendizajes y errores nos podemos encontrar a la hora de estructurar datos?

Durante más de 4 años de experiencia como Data Analyst, he seguido procesos para poder estructurar la información de manera que sea eficiente para crear un dashboard. Ahora dentro del equipo de Growth en Santander, he tenido varios aprendizajes que me gustaría compartir.

Quiero hallazgos importantes, pero ¿dónde los busco?

Al trabajar con diferentes clientes durante toda mi carrera laboral, el primer paso, antes de hacer un dashboard es “obtener esa información”.

Para un analista, empiezan las interrogantes, ¿por dónde empiezo a buscar la información?, ¿quién me la debe proporcionar? o ¿tengo que extraerla de alguna herramienta de datos?

“Saber qué necesito”

Para lograr el objetivo de tener una data estructurada, es importante que antes de solicitar o extraer información sepa que realmente necesito, cuál es el objetivo de mi dashboard, qué quiero mostrar, que inquietudes quiero resolver.

Teniendo claridad sobre hacia dónde voy, procedemos a realizar un listado de los campos que requiero (datos cualitativos y cuantitativos) y formatos (número, texto o fecha).

Esto sí y esto no

Parte importante de tener información es saber también cuándo parar y qué data es suficiente para la creación del dashboard.

El crear un formato para vaciar la data ayuda muchísimo para entender qué se necesita y así no retrabajar con datos que más adelante no serán relevantes.

Durante el camino hacia el dashboard nos encontraremos con retos en la limpieza de información que tenemos que resolver para que funcione adecuadamente a la hora de realizar la conexión de datos a la herramienta de dashboarding.

Encuentra maneras eficientes o automáticas de limpiar tu data

El proceso de limpieza de data puede ser un paso incluso desgastante, por eso es importante crear métodos o automatizaciones para agilizarlo. Es necesario validar la información para no mostrar datos erróneos o incompletos, pero también tengamos claro que no debemos llevarnos más tiempo en el procesamiento de la información.

“La primera automatización no es una pérdida de tiempo, es una inversión”. Pero no en todos los casos se pueden aplicar. Vale la pena tomar tiempo para un proceso automático cuando tenemos tareas repetitivas y con los mismos periodos de entrega.

Desafíos y problemas:

Algunos de los desafíos durante el proceso de estructura de datos, son:

· Mantenimiento de datos limpios: Es importante ser organizados, pero también claros en nuestro proceso de limpieza, para que cualquier persona pueda hacerlo en el caso de que nosotros no podamos.

· Pérdida de información: Al ejecutar la limpieza de datos, un paso fundamental es validar que no haya valores duplicados y también que sí eliminamos información, no afecte a la base datos.

Todo el proceso de estructura de datos es un ciclo de mejora continua, donde en cada uno de los pasos podemos encontrar oportunidades y aprendizajes. Y este artículo es para compartir la experiencia que he tenido a lo largo de algunos años y sobre todo compartir conocimiento.