En la última década, la brecha entre los equipos comerciales y técnicos se ha reducido casi hasta el punto de ser inexistente. Y yo, por mi parte, estoy a favor. No todos los equipos técnicos trabajan en una empresa tecnológica, y difuminar las líneas entre lo comercial y lo tecnológico significa que podemos construir y enviar productos con seguridad sabiendo que serán bien recibidos, ampliamente adoptados (no siempre es un hecho) y contribuirán significativamente al resultado final. Mencione una mejor manera de motivar a un equipo técnico de alto rendimiento y lo escucharé. Es un cambio que fue acelerado, si no causado, por la tecnología de datos. Hemos pasado décadas trabajando en ciclos de exageración de big data, inteligencia empresarial e IA. Cada uno introdujo nuevas habilidades, problemas y colaboradores para que el CTO y su equipo los abordaran, y cada uno nos alejó un poco más del resto de la organización; nadie más puede hacer lo que hacemos, pero todos necesitan que se haga. Los equipos técnicos no son inherentemente comerciales, y a medida que estos roles se expandieron para incluir la creación y entrega de herramientas para apoyar a varios equipos en toda la organización, esta brecha se hizo cada vez más evidente. Todos hemos visto las estadísticas sobre la cantidad de proyectos de ciencia de datos, en particular, que nunca se ponen en producción, y no es de extrañar por qué. Las herramientas creadas para equipos comerciales por personas que no comprenden completamente sus necesidades, objetivos o procesos siempre serán de uso limitado. Este desperdicio de dólares en tecnología era inmensamente justificable en los primeros días de la IA: los inversores querían ver inversión en la tecnología, no resultados, pero la tecnología ha madurado y el mercado ha cambiado. Ahora, tenemos que mostrar retornos reales de nuestras inversiones en tecnología, lo que significa ofrecer innovaciones que tengan un impacto mensurable en el resultado final. La transición del soporte a una función central Los dolores de crecimiento de los ciclos de exageración de la tecnología de datos han brindado dos beneficios increíbles al CTO moderno y su equipo (además de la introducción de herramientas como el aprendizaje automático (ML) y la IA). El primero es una arquitectura de datos madura y centralizada que elimina los silos de datos históricos en toda la empresa y nos da una imagen clara, por primera vez, de exactamente lo que está sucediendo a nivel comercial y cómo las acciones de un equipo afectan a otro. El segundo es el paso de una función de soporte a una función central. Esta segunda es importante. Como función central, los trabajadores técnicos ahora tienen un lugar en la mesa junto con sus colegas comerciales, y estas relaciones ayudan a fomentar una mayor comprensión de los procesos fuera del equipo de tecnología, incluido lo que estos colegas necesitan lograr y cómo eso afecta al negocio. Esto, a su vez, ha dado lugar a nuevas formas de trabajar. Por primera vez, los individuos técnicos ya no están apartados, respondiendo solicitudes inconexas de toda la empresa para extraer esta estadística o analizar estos datos. En cambio, finalmente pueden ver el impacto que tienen en el negocio en términos monetarios. Es un punto de vista gratificante y que ha dado lugar a una nueva forma de trabajar; un enfoque que maximiza esta contribución y apunta a generar tanto valor como sea posible. Introducción del valor lean Dudo en añadir otra metodología de gestión de proyectos al léxico, pero el valor lean merece cierta consideración, especialmente en un entorno en el que el retorno de la inversión en tecnología se examina tan minuciosamente. El principio rector es «priorización implacable para maximizar el valor». Para mi equipo, eso significa priorizar la investigación con la mayor probabilidad de aportar valor o de avanzar en los objetivos de la organización. También significa despriorizar las tareas no críticas. Nos centramos en lograr un producto mínimo viable (MVP), aplicando principios lean en ingeniería y arquitectura y, aquí está la parte complicada, evitando activamente una construcción perfecta en la primera pasada. Cada semana, revisamos los requisitos no funcionales y los reordenamos en función de nuestros objetivos. Este enfoque reduce el código innecesario y evita que los equipos se desvíen o pierdan de vista el panorama general. Es una forma de trabajar que también hemos descubierto que es inclusiva de las personas neurodiversas dentro del equipo, ya que hay un marco muy claro al que permanecer anclados. El resultado ha sido la aceleración de los lanzamientos de productos. Contamos con un equipo internacional disperso y operamos una arquitectura de microservicios modular, que se presta bien al enfoque lean-value. Las revisiones semanales nos mantienen enfocados y evitan el desarrollo innecesario (que en sí mismo ahorra tiempo), al mismo tiempo que nos permite realizar cambios de manera incremental y así evitar rediseños extensos. Aprovechar los LLM para mejorar la calidad y acelerar la entrega Establecemos los niveles de calidad que debemos alcanzar, pero optar por la eficiencia en lugar de la perfección significa que somos pragmáticos sobre el uso de herramientas como el código generado por IA. GPT 4o puede ahorrarnos tiempo y dinero al generar recomendaciones de arquitectura y características. Luego, nuestro personal superior dedica su tiempo a evaluar y refinar críticamente esas recomendaciones en lugar de escribir el código desde cero ellos mismos. Habrá muchos que encuentren ese enfoque en particular un desincentivo o miope, pero tenemos cuidado de mitigar los riesgos. Cada incremento de compilación debe estar listo para producción, refinado y aprobado antes de pasar al siguiente. Nunca hay una etapa en la que los humanos estén fuera del circuito. Todo el código, especialmente el generado, es supervisado y aprobado por miembros experimentados del equipo de acuerdo con nuestros propios códigos de conducta éticos y técnicos. Data lakehouses: arquitectura de datos de valor lean Inevitablemente, el marco de trabajo lean-value se extendió a otras áreas de nuestro proceso, y la adopción de modelos de lenguaje grandes (LLMs) como una herramienta para ahorrar tiempo nos llevó al data lakehousing; un acrónimo de data lake y data warehouse. La estandarización de datos y la estructuración de datos no estructurados para entregar un almacén de datos empresarial (EDW) es un proceso que lleva años y tiene desventajas. Los EDW son rígidos, costosos y tienen una utilidad limitada para datos no estructurados o formatos de datos variados. Mientras que un data lakehouse puede almacenar datos estructurados y no estructurados, el uso de LLMs para procesarlos reduce el tiempo necesario para estandarizar y estructurar los datos y los transforma automáticamente en información valiosa. El lakehouse proporciona una única plataforma para la gestión de datos que puede soportar flujos de trabajo de análisis y ML y requiere menos recursos del equipo para configurarlo y administrarlo. La combinación de LLMs y data lakehouses acelera el tiempo para obtener valor, reduce los costos y maximiza el ROI. Al igual que con el enfoque lean-value para el desarrollo de productos, este enfoque lean-value para la arquitectura de datos requiere algunas barandillas. Los equipos deben tener una gobernanza de datos sólida y bien pensada para mantener la calidad, la seguridad y el cumplimiento. Equilibrar el rendimiento de la consulta de grandes conjuntos de datos mientras se mantiene la rentabilidad también es un desafío constante que requiere una optimización constante del rendimiento. Un lugar en la mesa El enfoque lean-value es un marco con el potencial de cambiar la forma en que los equipos de tecnología integran la información de IA con la planificación estratégica. Nos permite ofrecer resultados significativos para nuestras organizaciones, motiva a los equipos de alto rendimiento y garantiza que se utilicen con la máxima eficiencia. Fundamentalmente para el CTO, garantiza que el retorno de las inversiones en tecnología sea claro y medible, creando una cultura en la que el departamento de tecnología impulsa los objetivos comerciales y contribuye tanto a los ingresos como departamentos como ventas o marketing. Raghu Punnamraju es CTO en Velocity Clinical Research. DataDecisionMakers ¡Bienvenido a la comunidad de VentureBeat! DataDecisionMakers es donde los expertos, incluido el personal técnico que realiza el trabajo de datos, pueden compartir información e innovación relacionadas con los datos. Si desea leer sobre ideas de vanguardia e información actualizada, mejores prácticas y el futuro de los datos y la tecnología de datos, únase a nosotros en DataDecisionMakers. ¡Incluso podría considerar contribuir con un artículo propio! Leer más de DataDecisionMakers