Fases
Una tarea esencial de la ingeniería de software y la ingeniería de datos es contar con un marco común que permita comparar los proyectos entre sí, mantener la calidad del resultado y aprovechar los beneficios de la experiencia de manera sistemática.
Con eso en mente, hemos decidido usar el marco ML-OPS para crear ciclos de desarrollo iterativos.
Para facilitar su comprensión y aplicación, proponemos resumir este modelo en 4 fases y 3 ciclos descritos a continuación:
Fase 1
Data Requirements
Objetivo: Entender las necesidades del negocio o del usuario en relación con los datos.
Actividades clave:
- Identificar los objetivos de la visualización (¿Qué quieres comunicar o descubrir?).
- Definir al usuario objetivo (¿Quién va a usar la visualización?).
- Establecer métricas clave e indicadores relevantes.
- Determinar las fuentes de datos disponibles y su accesibilidad.
Fase 2
Data Design and Development
Objetivo: Transformar los datos a un formato adecuado para su evaluación y uso, junto con el diseño de la estructura interna.
Actividades clave:
- Limpieza, transformación y enriquecimiento de datos.
- Arquitectura de datos: tablas, archivos, flujos y resultados.
- Formulación de construcción y métricas avanzadas.
- Diseño de visualizaciones personalizadas.
Fase 3
Data Evaluation
Objetivo: Validar la utilidad, claridad y precisión de las soluciones antes de que se implementen.
Actividades clave:
- Revisión con usuarios clave o partes interesadas.
- Pruebas de integración: ¿Se conectan los datos entre sí?
- Pruebas de interpretación: ¿La visualización comunica lo esperado?
- Ajustes al diseño, escalas, filtros y más.
Fase 4
Data Solution Deployment
Objetivo: Publicar y mantener la solución de datos como una herramienta útil y accesible.
- Actividades clave:
- Instalación de programas en un entorno de producción.
- Registro de usuarios con restricciones de seguridad.
- Integración en informes o plataformas interactivas.
- Establecimiento de mecanismos de actualización automática.
Ciclos
Estas fases se aplican de manera cíclica e incremental a medida que el proyecto avanza, por ejemplo, cuando se despliega una visualización en un datawarehouse tenemos lo siguiente:
Ciclo 1 Análisis exploratorio | Ciclo 2 Arquitectura de Datos | Ciclo 3 Visualización efectiva | |
|---|---|---|---|
Fase 1 Requisitos de datos | Se enumeran las necesidades del cliente y las fuentes de información a utilizar. | Expresa cómo organizar los datos para que las fuentes de datos cumplan con la visualización esperada. | Se detallan los bocetos de visualización esperados para cada perfil de usuario. |
Fase 2 Preparación y diseño de datos | Se aplica un perfil de datos a cada fuente de información por separado, buscando pistas. | Crear tablas, dimensiones, fórmulas y pipelines para transformar datos. | Cada visualización se crea usando recomendaciones de diseño visual. |
Fase 3 Evaluación de datos | La expectativa se compara con la viabilidad real de los datos. | Se evalúan la calidad de los datos y el desempeño de los almacenes de datos. | La calidad de la visualización se evalúa junto con el usuario para diferentes escenarios. |
Fase 4 Despliegue de soluciones de datos | Se entrega un informe rápido con los hallazgos estadísticos, deficiencias y mejoras a aplicar | Se instala un almacén de datos disponible para visualizaciones avanzadas | Instalación de visualizaciones con roles de seguridad y conexión a datos productivos. |
Con este modelo a seguir, esperamos que el cliente obtenga trazabilidad y transparencia en los proyectos de construcción de software y sea seguro delegar sus tareas a un equipo de trabajo metódico y responsable.