Evaluar y priorizar proyectos de datos

"Necesitamos mejor data." "Deberíamos tener un dashboard de X." "Implementemos machine learning." Las ideas de proyectos de datos nunca faltan. Lo que falta es un framework para decidir cuales hacer. En esta leccion, aprenderemos a evaluar y priorizar iniciativas de datos con rigor.

El problema de priorizar datos

Por que es diferente a otros proyectos

Los proyectos de datos tienen caracteristicas unicas:

Caracteristica	Implicacion para priorizacion
Beneficios indirectos	Dificil cuantificar ROI upfront
Interdependencias	Un proyecto habilita otros
Incertidumbre alta	No sabes que encontraras hasta analizar
Valor compuesto	Los datos mejoran con el tiempo
Costo de no hacer	Deuda de datos se acumula

Errores comunes de priorizacion

1. El "squeaky wheel": Hacer lo que pide quien grita mas.

2. El "shiny object": Perseguir la tecnologia de moda (IA, ML) sin caso de uso claro.

3. El "first come first served": Orden de llegada, no de valor.

4. El "peanut butter": Distribuir recursos equitativamente sin considerar impacto.

5. El "analysis paralysis": Tanto tiempo decidiendo que nada se hace.

---

Framework de evaluacion de proyectos de datos

Dimension 1: Valor de negocio

Pregunta central: Que decisiones mejoraran y cuanto vale eso?

Criterios de valor:

Nivel	Descripcion	Score
Critico	Habilita decisiones de >$1M o estrategicas	5
Alto	Mejora significativamente eficiencia o revenue	4
Medio	Valor claro pero acotado	3
Bajo	Nice to have, valor incremental	2
Incierto	Valor posible pero no demostrado	1

Preguntas para evaluar:

• Que decisiones se toman hoy sin este dato?
• Cuanto cuesta tomar esas decisiones mal?
• Que cambiaria si tuvieramos esta informacion?
• Quien necesita esto y para que?

Dimension 2: Viabilidad tecnica

Pregunta central: Podemos realmente hacerlo?

Criterios de viabilidad:

Nivel	Descripcion	Score
Alta	Datos existen, herramientas disponibles, equipo capaz	5
Media-alta	Requiere integracion o desarrollo moderado	4
Media	Desafios conocidos pero manejables	3
Media-baja	Requiere inversion significativa en capacidades	2
Baja	Datos no existen o tecnologia no madura	1

Preguntas para evaluar:

• Los datos existen y son accesibles?
• Tenemos las herramientas y habilidades?
• Hay dependencias de otros sistemas/equipos?
• Cuales son los riesgos tecnicos principales?

Dimension 3: Urgencia

Pregunta central: Por que ahora vs. despues?

Criterios de urgencia:

Nivel	Descripcion	Score
Critica	Fecha limite externa o regulatoria	5
Alta	Oportunidad con ventana limitada	4
Media	Importante pero no time-sensitive	3
Baja	Puede esperar sin consecuencias	2
Ninguna	No hay driver temporal	1

Preguntas para evaluar:

• Hay una fecha limite externa?
• Que perdemos si esperamos?
• Hay una ventana de oportunidad?
• Alguien mas (competencia) lo esta haciendo?

Dimension 4: Esfuerzo requerido

Pregunta central: Cuanto cuesta en tiempo, dinero y atencion?

Criterios de esfuerzo:

Nivel	Descripcion	Score (invertido)
XS	Horas a pocos dias, sin costo	5
S	1-2 semanas, <$10K	4
M	1-2 meses, $10-50K	3
L	1-2 trimestres, $50-200K	2
XL	>6 meses, >$200K	1

Preguntas para evaluar:

• Cuantas personas, cuanto tiempo?
• Que costo directo (herramientas, vendors)?
• Que costo de oportunidad?
• Cuanta atencion de liderazgo requiere?

---

Matriz de priorizacion

Calculo del score total

Score = (Valor × 3) + (Viabilidad × 2) + (Urgencia × 1) + (Esfuerzo × 2)

Maximo posible: 40

Los pesos reflejan que valor es lo mas importante, seguido de viabilidad y esfuerzo.

Ejemplo de evaluacion

Proyecto	Valor	Viab.	Urgencia	Esfuerzo	Score
Dashboard ejecutivo	4	5	4	4	33
Prediccion de churn	5	3	3	2	28
Data warehouse	5	2	2	1	22
Reporte automatizado	2	5	2	5	26
BI self-service	4	3	3	3	26

Priorizacion: Dashboard ejecutivo > Prediccion churn > BI self-service = Reporte auto > Data warehouse

Visualizacion: Matriz valor vs. esfuerzo

                    ALTO VALOR
                        |
     [Hacer]           |           [Hacer primero]
     Estrategico       |           Quick wins
                       |
ALTO ESFUERZO ---------+--------- BAJO ESFUERZO
                       |
     [Evaluar]         |           [Hacer si sobra]
     Cuestionable      |           Nice to have
                       |
                   BAJO VALOR

---

El framework RICE para datos

Adaptado del popular framework RICE de producto.

R - Reach (Alcance)

Cuantas decisiones/personas impacta?

Nivel	Ejemplo	Score
Toda la empresa	Dashboard ejecutivo	5
Un departamento	Reporte de marketing	3
Un equipo	Metricas de un squad	2
Una persona	Analisis ad-hoc	1

I - Impact (Impacto)

Que tanto cambia cada decision?

Nivel	Descripcion	Score
Masivo	3x+ mejora	5
Alto	2x mejora	4
Medio	50% mejora	3
Bajo	20% mejora	2
Minimo	<10% mejora	1

C - Confidence (Confianza)

Que tan seguros estamos de las estimaciones?

Nivel	Descripcion	Score
Alta	Datos de piloto o benchmark solido	1.0
Media	Estimacion informada	0.8
Baja	Suposicion educada	0.5
Muy baja	Pura especulacion	0.2

E - Effort (Esfuerzo)

En persona-semanas.

Formula RICE

RICE Score = (Reach × Impact × Confidence) / Effort

Ejemplo:

Proyecto	Reach	Impact	Confidence	Effort	RICE
Dashboard	5	3	0.8	4 sem	3.0
Churn ML	3	5	0.5	12 sem	0.6
Auto-reporte	2	2	1.0	2 sem	2.0

---

Evaluar proyectos de "infraestructura de datos"

Algunos proyectos no tienen valor directo pero habilitan otros. Como evaluarlos?

El concepto de "valor de opcion"

Un data warehouse no genera valor por si solo, pero habilita 10 proyectos que si.

Calculo de valor habilitado:

Valor = Suma(Valor proyectos habilitados × Probabilidad de hacerlos)

Ejemplo:

Proyecto habilitado	Valor	P(hacer)	Valor ponderado
Dashboard ejecutivo	$200K	90%	$180K
Prediccion churn	$300K	70%	$210K
Analisis cohort	$150K	50%	$75K
Total valor habilitado			$465K

Si el data warehouse cuesta $150K, el ROI es $465K/$150K = 3.1x

Criterios adicionales para infraestructura

1. Deuda tecnica evitada: Cuanto cuesta NO hacerlo a largo plazo?
2. Dependencias bloqueadas: Cuantos proyectos esperan esto?
3. Escalabilidad: Esto se vuelve mas dificil si esperamos?
4. Riesgo de obsolescencia: La alternativa actual esta muriendo?

---

El proceso de priorizacion

Paso 1: Generar la lista

Recopilar todas las iniciativas propuestas:

• Pedidos de stakeholders
• Backlog de analytics
• Mejoras identificadas
• Proyectos de innovacion

Paso 2: Categorizar

Agrupar por tipo:

• Quick wins: Alto valor, bajo esfuerzo
• Proyectos estrategicos: Alto valor, alto esfuerzo
• Mantenimiento: Necesario pero no glamoroso
• Exploracion: Incierto pero potencialmente transformador

Paso 3: Evaluar

Aplicar el framework de evaluacion a los candidatos principales (no a todo).

Tip: No evalues mas de 10-15 proyectos en detalle. Usa juicio rapido para descartar los obvios.

Paso 4: Deliberar

Reunion de priorizacion con stakeholders clave:

• Revisar scores
• Discutir trade-offs
• Considerar interdependencias
• Ajustar por factores no capturados

Paso 5: Comunicar

Compartir la priorizacion con:

• Que se va a hacer y por que
• Que NO se va a hacer y por que
• Cuando se revisara

---

Template: Sesion de priorizacion

## Agenda: Priorizacion Trimestral de Datos

### Duracion: 90 minutos

### Participantes:
- Lider de analytics
- Representantes de areas de negocio
- Sponsor ejecutivo

### Pre-trabajo:
- Cada area trae top 3 iniciativas con brief basico
- Analytics trae propuestas de infraestructura y mejoras

### Agenda:

1. **Review de trimestre anterior (15 min)**
   - Que completamos
   - Que aprendimos
   - Que cambio en el contexto

2. **Presentacion de candidatos (20 min)**
   - Cada area: 3 min por iniciativa top
   - Analytics: propuestas de infraestructura

3. **Evaluacion rapida (20 min)**
   - Scoring colaborativo usando framework
   - Identificar quick wins obvios
   - Identificar conflictos

4. **Discusion de trade-offs (25 min)**
   - Debatir prioridades en conflicto
   - Considerar dependencias
   - Ajustar por capacidad real

5. **Decision y compromisos (10 min)**
   - Lista priorizada final
   - Owners y timelines
   - Proxima revision

---

Medir el valor de proyectos de datos

El desafio de medir

A diferencia de proyectos de producto, los proyectos de datos a menudo:

• Influyen indirectamente (mejores decisiones, no revenue directo)
• Tienen beneficios que se acumulan en el tiempo
• Son dificiles de atribuir (la decision hubiera sido diferente sin el dato?)

Metricas de valor de proyectos de datos

Metricas de uso:

Metrica	Que mide	Ejemplo
Usuarios activos	Adopcion	45 personas usan el dashboard semanalmente
Frecuencia de uso	Engagement	Promedio 3 visitas/semana por usuario
Queries ejecutados	Demanda	500 consultas al data warehouse/mes

Metricas de impacto:

Metrica	Que mide	Ejemplo
Decisiones informadas	Influencia	12 decisiones citaron el analisis este mes
Tiempo ahorrado	Eficiencia	Reportes automaticos ahorran 20 hrs/semana
Errores evitados	Calidad	Alertas previnieron 3 problemas

Metricas de outcome:

Metrica	Que mide	Ejemplo
ROI atribuido	Valor financiero	Campana optimizada genero $50K extra
NPS interno	Satisfaccion	Usuarios dan 8.5/10 al sistema
Capacidad habilitada	Opcion	Ahora podemos hacer X que antes no

Framework de atribucion

Cuando un outcome mejora, como saber si fue por el proyecto de datos?

Metodo 1: Pre/Post

• Medir metrica antes y despues
• Asumir que la diferencia es atribuible (con caveats)

Metodo 2: Control

• Comparar grupo que uso el dato vs. grupo que no
• Mas riguroso pero no siempre posible

Metodo 3: Testimonial

• Preguntar a decision-makers: "Este dato influyo tu decision?"
• Subjetivo pero valioso

Metodo 4: Counterfactual

• Preguntar: "Que habrias decidido sin este dato?"
• Estimar el delta

---

Cuando decir NO

Saber que NO hacer es tan importante como saber que hacer.

Señales de que un proyecto no deberia hacerse

1. No hay decision clara: "Seria interesante saber..." no es suficiente
2. Ya se tomó la decision: El dato es para confirmar, no informar
3. Los datos no existen: Y crearlos cuesta mas que el beneficio
4. Nadie lo usara: La audiencia no tiene habito de usar datos
5. Es la solucion equivocada: El problema es de proceso, no de datos

Como decir NO constructivamente

En lugar de: "No podemos hacer eso"

Decir: "Entiendo la necesidad. Dejame explicar los trade-offs y explorar alternativas."

Template:

"Gracias por la propuesta. Veo el valor potencial en [X].

Los desafios que veo son:
1. [Desafio 1]
2. [Desafio 2]

Dado nuestra capacidad actual, hacer esto significaria NO hacer [proyecto de mayor prioridad].

Alternativas a considerar:
- [Alternativa mas simple]
- [Alternativa para futuro]

Que te parece si [propuesta de camino adelante]?"

---

Ejercicio practico: Evalua tu backlog

Lista tus top 5 iniciativas de datos

1. _______________________________________________________
2. _______________________________________________________
3. _______________________________________________________
4. _______________________________________________________
5. _______________________________________________________

Evalua cada una

Iniciativa	Valor (1-5)	Viabilidad (1-5)	Urgencia (1-5)	Esfuerzo (1-5)	Score
1.
2.
3.
4.
5.

Identifica

Mi quick win obvio:
_______________________________________________________

Mi proyecto estrategico importante:
_______________________________________________________

Algo que deberia dejar de considerar:
_______________________________________________________

---

Puntos clave de esta leccion

• Los proyectos de datos requieren framework especifico porque tienen beneficios indirectos e incertidumbre alta
• Evalua en 4 dimensiones: valor, viabilidad, urgencia, esfuerzo
• Para infraestructura, considera el "valor de opcion" (proyectos habilitados)
• El proceso de priorizacion debe ser transparente y colaborativo
• Mide el valor con metricas de uso, impacto y outcome
• Saber decir NO es tan importante como saber que hacer

Proxima leccion

En el Modulo 10, pondras en practica todo lo aprendido con el Proyecto Final: Crea tu presentacion data-driven - aplicando los frameworks de storytelling, business case y comunicacion a una decision real de tu trabajo.

---

Reflexion

Piensa en como priorizas hoy:

1. Tienes un proceso formal o es ad-hoc?
2. Los stakeholders entienden por que se hace o no se hace algo?
3. Mides el valor de lo que entregas?
4. Que cambiarias en tu proceso de priorizacion?