La mayoría de las reuniones tienen una cosa en común, la calidad de los datos está siendo cuestionada y la mayor parte del tiempo de la reunión se utiliza para discutir posibles problemas de calidad de los datos.
Si bien es cierto muchas de estas discusiones sobre la calidad de los datos no son en realidad problemas de calidad de los datos, sino una comprensión del significado de los datos. Por ejemplo, su jerarquía o estructura y la interpretación de las métricas.
Supongamos que se está trabajando en un análisis de datos exploratorio que se está haciendo para comenzar con la IA. La clave del éxito es comprender realmente los datos con los que está trabajando. Si la calidad no está a la altura del estándar, hágalo a la altura del estándar o, no obstante, encuentre una manera de trabajar con los datos.
1. Empiece poco a poco
La clave aquí es, empezar de a poco. Si se está viendo un conjunto de funciones, puede profundizar en lo que significan estas funciones. Si comienza con cientos, será más difícil.
2. Asegúrate de comprender tus datos
Debido a que se comenzó con algo pequeño, se procede a profundizar. Haciendo diagramas de correlación, observando las frecuencias y la documentación sobre estas características.
Por ejemplo, se pueden considerar dos características fundamentales que en realidad tienen un gran potencial de discusión . Lo que se quiere decir con el cliente, una pregunta especialmente difícil cuando se trabaja en un entorno B2B. Dependiendo de la empresa en la que trabajes, puede haber diferentes niveles de productos utilizados, cada uno de ellos puede ser de interés en un tipo diferente de función. Un gerente de producto puede tener una jerarquía de intereses diferente a la del jefe de ventas de una región.
3. Verifique la calidad de los datos
Es posible que existan formas estándar de verificar la calidad de los datos, y es momento de comprenderlas y poder explicarlas. Recomendamos ir un paso más allá de los controles habituales. Compruebe si hay inconsistencias desde una perspectiva comercial, por ejemplo: ¿La mayoría de los trabajos de su cliente son “Contadores”?.
Otro problema de calidad típico es la incoherencia entre sistemas. Es importante asegurarse de conocer estas inconsistencias, qué las impulsa y sus implicaciones.
4. Anticiparse a los problemas
Unas cuantas preguntas y problemas que puedes anticipar:
¿Cuáles son las preguntas que suele recibir?
¿Qué KPI se han informado a su audiencia?
¿Qué discusiones han tenido lugar en el pasado?
¿Qué palabras se utilizan en las discusiones diarias?
Eso debería, por ejemplo, darle una buena idea de la división del producto que está viendo y comprender los diferentes niveles de por qué se utilizan y cómo.
Anticipar los problemas le permitirá desviarse de la discusión sobre la calidad de los datos.
Por ejemplo, pueden existir muchas jerarquías de productos diferentes (de diferentes sistemas) que fueron utilizadas por diferentes audiencias. Se pueden incorporar ambas jerarquías en un tablero para poder explicar la superposición y las diferencias entre las dos.
Analiza qué sistemas usa su audiencia y qué datos suelen ver. Tenga una conversación directa con alguien en quien confíe para que revise los datos y los resultados para eliminar todos los posibles defectos.
5. Conocer los problemas y solucionarlos
Una vez que conozca los problemas que existen. Es hora de evitarlos . Una forma es abordar el problema desde su origen. Puede que no sea su trabajo, pero es potencialmente crítico para un proyecto de seguimiento en el que se utilizarán estas funciones.
Si todavía se encuentra en la fase exploratoria, podría pensar en aclarar los problemas y las suposiciones. La clave será que puedas explicarlos y sus implicaciones para ganarte la confianza de tu audiencia.
