Gracias a la experiencia de primera mano a la hora de trabajar con información con organizaciones, herramientas e industrias, hemos descubierto una mejor manera de desarrollar y ofrecer soluciones de analítica y lo denominamos DataOps.

Ya sea su nombre ciencia de datos, ingeniería de datos, gestión de datos, macrodatos, inteligencia empresarial, entre otros, nosotros hemos aprendido a apreciar el valor de las soluciones de analítica:

  • Personas e interacciones en lugar de procesos y herramientas
  • Soluciones de analítica eficientes en lugar de documentación comprensiva
  • Colaboración con el consumidor en lugar de negociaciones contractuales
  • Experimentación, interacción y retroalimentación en lugar de un diseño extensivo directo
  • Titularidad multidisciplinar de las operaciones en lugar de responsabilidades aisladas.

Principios del DataOps

1

Satisfacer continuamente al consumidor:

Nuestra máxima prioridad es satisfacer al consumidor mediante la entrega temprana y continua de conclusiones analíticas de valor desde a penas minutos a semanas.

2

Apreciar las soluciones de analítica eficientes

Creemos que la medida prioritaria del rendimiento del análisis de datos es el grado de detalle en el que se entregan estos análisis, incorporando información fiel, por encima de marcos y sistemas rígidos.

3

Abrazando el cambio:

Recibimos con los brazos abiertos las necesidades cambiantes de los consumidores y, de hecho, las abrazamos para obtener una ventaja competitiva. Estamos seguros de que el método más eficiente, efectivo y ágil de comunicación con los consumidores es la interacción cara a cara.

4

Es un deporte de equipo:

Los equipos analíticos siempre tendrán una variedad de roles, habilidades, herramientas favoritas y títulos. Una diversidad de antecedentes y opiniones aumenta la innovación y la productividad.

5

Interacciones diarias:

Los consumidores, los equipos de analíticas y las operaciones deben colaborar día a día a lo largo del proyecto.

6

Organización autónoma:

Creemos que los mejores análisis, algoritmos, arquitectura, exigencias y diseños provienen de en equipo que sepa organizarse de forma autónoma.

7

Reducir el heroísmo:

Debido al ritmo y amplitud del crecimiento de la necesidad de obtener soluciones de analítica, nosotros creemos que los equipos de analítica deberían procurar reducir el heroísmo y crear equipos y procesos sostenibles y flexibles de análisis de datos.

8

Reflexión:

Los equipos de analíticas deben configurar su rendimiento operativo reflexionando, a intervalos regulares, sobre los comentarios de sus consumidores, de ellos mismos y de las estadísticas de las operaciones.

9

Los análisis son códigos:

Los equipos de analítica usan una gran variedad de herramientas individuales para acceder, integrar, modelar y visualizar la información. Esencialmente, cada una de estas herramientas genera un código y configuración que describe las acciones realizadas con los datos para poder brindar información.

10

Organización:

La organización de principio a fin de la información, herramientas, código, entornos y el trabajo de los equipos de analítica es clave para llevar al éxito a las analíticas.

11

Realizar reproducciones:

Los resultados reproducibles son necesarios y, por lo tanto, creamos versiones de toda información, hardware de bajo nivel y configuraciones de software y el código y configuración de cada herramienta en la cadena de herramientas.

12

Entornos desechables:

Creemos que es importante minimizar los costes para los miembros de los equipos de analítica para poder experimentar ofreciéndoles entornos técnicos sencillos de crear, aislados, seguros y desechables que reflejes su entorno de producción.

13

Sencillez:

Creemos que la atención continua a la excelencia técnica y al buen diseño mejora la agilidad, y al mismo tiempo la sencillez (el arte de maximizar la cantidad de trabajo realizado) es fundamental.

14

Analizar es producir:

Los medios de las analíticas son análogos a aquellos de las cadenas de producción eficientes. Creemos que unos de los conceptos fundamentales del DataOps es que se centra en un proceso de pensamiento centrado en la eficiencia continua a la hora producir resultados analíticos.

15

La calidad es primordial:

Los medios de las analíticas deben construirse sobre cimientos que sean capaces de detectar de forma automática los fallos (jidoka) y los problemas de seguridad en el código, configuración e información, y debe proporcionar una retroalimentación continua a los operadores para evitar errores (poka yoke).

16

Supervisar la calidad y el rendimiento:

Nuestro objetivo es tener medidas de rendimiento, seguridad y calidad que puedan ser supervisadas de forma continua para detectar variaciones inesperadas y general estadísticas de operación.

17

Reutilización:

Creemos que un aspecto fundamental de la eficiencia de la producción de información analítica es el poder evitar repeticiones de trabajos previos por un individuo o equipo.

18

Mejorar la duración de los ciclos:

Debemos procurar minimizar el tiempo y esfuerzo a la hora de convertir la necesidad de un consumidor en una idea de analítica, crear su desarrollo, convertirlo en un proceso repetible de producción y finalmente reeditar y reusar ese producto.

Únete a las más de 7000 personas que ya han firmado el Manifiesto.

2021 | Creative Commons (CC) license | Privacy Policy