Hay una frase (muy popular en el mundo del Business Intelligence) que dice:
“Garbage In – Garbage Out”. Se estima en la industria, con soluciones tradicionales, que en un proyecto analítico un 70% del esfuerzo está en la limpieza de datos.
¿En qué se relaciona con el testing de una
solución Qlik? ¿Cómo hacemos para neutralizarla y que no afecte la agilidad de los proyectos bajo esta plataforma? Te lo contamos en este artículo.
1) Data Discovery + QA con un plan y un equipo Adhoc.
Consiste en un
diagnóstico inicial de los datos involucrando a los responsables (Data Owners).
Qlik permite realizarlo
al inicio del proyecto, cuando se toman tablas procedentes de las diversas fuentes de información. Se analizan los contenidos de las mismas, las características de los campos y se observan descubrimientos a partir de ellos.
De este diagnóstico inicial, surgen temas respecto a información faltante, errores en los datos, campos alfabéticos cargados de distinto modo, análisis del comportamiento de los campos numéricos con funciones estadísticas, entre otros.
También surge un indicador: los datos están correctos en un porcentaje muy alto (99,X % o una cifra de ese orden). Pero
el impacto de no corregirlos afecta la solución.
Desde esta plataforma, se puede
profundizar específicamente en cuáles son los datos por corregir y los posibles focos de inconsistencias. Los dueños de los datos, a partir del resultado del Data Discovery, deben tomar sensibilidad de la calidad de la información que manejan y
ejecutar las acciones correctivas en tiempo y forma.
Lecciones aprendidas durante proyectos: “Ciertamente se puede apreciar con mucha facilidad al principio del proyecto datos erróneos o casos que puedan llegar a hacer ruido o que no coincidan con las definiciones dadas, tanto del armado del modelo como de las posibles métricas.”
La resolución de temas de calidad de datos o inconsistencias de las fuentes de información se debe abordar como un “proyecto o fase en sí misma”, planificando y dedicando
perfiles específicos, con responsables claros a nivel empresa y sin afectar el proyecto en curso.
Lecciones aprendidas durante proyectos: En algunos clientes, muchas veces dependiendo del usuario con el que se interactuaba, podía responderte o solucionarte el problema en cuestión de minutos, o en más de una semana. Está muy atado a la forma de trabajo de cada área en particular y sus prioridades.
2) Referentes del Proyecto (Cliente/Proveedor).
El equipo de proyecto es otro factor crítico, por ende, ambos equipos deben estar liderados por perfiles con el conocimiento y habilidades que garanticen los resultados.
Desde el lado del cliente: el líder debe tener gran conocimiento de la organización para involucrar a los referentes adecuados para cada etapa. También debe contar con las habilidades de gestión, comunicación y empowerment para tomar decisiones y garantizar la dedicación del equipo.
¿Qué ocurre específicamente en etapa de testing, momento en el que se comparan las mediciones desarrolladas sobre la plataforma contra las que se venían haciendo en otros soportes o en forma manual? Se generan una serie de interrogantes, respecto a:
- Las definiciones sobre los cálculos y la población contemplada.
- ¿Los datos en el tablero, dan distinto de lo que imaginábamos? ¿Cuál es la causa?
- ¿Existían operativos procesos de collage no explicitados? O incluso, ¿Es correcta la funcionalidad de los sistemas fuente de información?
Lecciones aprendidas durante proyectos: pude presenciar cada uno de estos puntos en diversos proyectos. En algunos casos descubrimos que los indicadores que se venían haciendo en Excel no eran del todo precisos o correctos. En otros, que directamente estaban ocultando información al no tener en cuenta casos particulares.
La conformación del equipo involucrando usuarios clave para la definición de necesidades, previene o disminuye la probabilidad de ocurrencia de estos temas al momento de las pruebas.
El consultor tiene/debe tener la experiencia y “olfato” para indagar sobre estas cuestiones en términos generales, pero el referente de la organización conoce las respuestas y los detalles para abordarlos.
Desde consultoría, se asignan líderes que garanticen haber entendido el proceso y su resolución, y con el “Seniority” para ponerlo en palabras, quedando en claro el alcance, funciones y roles en la fase de prueba, evitando desvíos en tiempos y costos.
3) Gestión del Alcance.?
La gestión de alcance es un aspecto a tener presente en las pruebas. Los usuarios no sólo ven los resultados solicitados, sino que se enfrentan a esta nueva visión que brinda Qlik respecto a sus datos/procesos de negocio.
Entonces, proponen “ideas de mejora” y aspiran incluirlas como parte de la solución, ya sea tratando de forzarlo como parte del alcance inicial, o peor aún, los solicitan como parte de las “correcciones del testing”.
Darles lugar a pedidos a destiempo, generan un ciclo infinito desarrollo/pruebas, sin entregar solución y valor en plazos razonables. Por lo tanto,
las alternativas para no dejar fuera estas mejoras a la solución sin afectar el plan original, son :
- Incluir estos pedidos de cambio / mejoras a la lista de requerimientos que se están considerando para etapas siguientes, que tienen su esquema de priorización y planificación.
- Contemplar un esquema de adicionales con el proveedor, para efectuar su desarrollo en paralelo (lo cual debe entenderse como esfuerzos y costos adhoc) y así no afectar la etapa en curso.
Lecciones aprendidas durante proyectos: “Es cierto que ayuda el hecho de trabajar con metodologías ágiles que permite corregir con facilidad alteraciones en la estimación de cada parte del proyecto, y en caso necesario, del proyecto en sí. Pero a la hora de hacer el testing, si el mismo no sigue la misma metodología de trabajo o no tiene como prioridad el proyecto no se puede aprovechar esa agilidad que te permite la metodología y la plataforma Qlik.”
Es importante entonces darle una consideración especial a esta actividad. Y entender que
las aplicaciones analíticas son vivas, crecen en alcance en el tiempo, deben ser flexibles, que están pensadas para resolver casos de uso, que empiezan en forma sencilla y después se van sofisticando, y
arrancar con los datos correctos, desde el primer momento, es lo mejor que podemos hacer para construir un proyecto de alto impacto. A partir de allí le creemos a la información que nos presenta, la generación de ideas surge en forma natural, las hipótesis se prueban con datos reales, y eso facilita la
instauración positiva de una cultura analítica.