Lienzo de Monetización de Datos

¿Por qué usarlo?

Diseña una solución analítica para un producto de datos/IA aplicable a uno o más casos de uso.

¿Cuándo usarlo?

Cuando tengas una idea o un concepto para un caso de uso relacionado con un producto de datos/IA y necesites diseñar una solución analítica. Este proceso ayuda a derivar los requisitos técnicos, organizativos y de personal necesarios para desarrollar el producto.

¿Cómo usarlo?

I. Preparación

1. Llena el encabezado del lienzo:

a) Etiqueta Focus on en el encabezado del lienzo con una nota adhesiva blanca con el nombre del producto de datos/IA o la idea del caso de uso. Puedes copiar la nota adhesiva Focus on del lienzo Analytics & AI Use Case en el que trabajabas anteriormente. O elige un caso de uso (idea) por ejemplo del lienzo Business Model / Case, Analytics & AI Maturity o Priority Matrix.

b) Pie de página: Añade una leyenda con notas adhesivas del color correspondiente:

• Notas adhesivas verdes: "Elemento existente"

• Notas adhesivas amarillas: "Elemento planificado"

• Notas adhesivas rojas: "Elemento faltante"

• Notas adhesivas blancas: "Pregunta / Suposición / Insight / Decisión / Tarea"

II. Diseño del producto de datos/IA

Comienza añadiendo notas adhesivas en rojo, amarillo o verde para representar los elementos faltantes, planificados o existentes, respectivamente, en las siguientes casillas para esbozar el flujo de datos y los pasos de análisis. Ten en cuenta que para un nuevo producto de datos, la mayoría de los elementos estarán faltantes:

② Comienza por el final en el lado derecho del lienzo (consulta Referencias para un inicio fácil):

a) Valor de los datos: El valor de la información debe medirse en términos de métricas de rendimiento empresarial (por ejemplo, indicadores clave de rendimiento, KPI). Coloca las notas adhesivas correspondientes en este cuadro. También proporciona notas sobre la calidad de la información, como métricas de rendimiento del modelo y sobre las funciones del modelo, las cuales sirven como indicadores de IA sostenible, explicable, responsable y confiable, así como indicadores de calidad de los datos.

b) Productos de datos: Detalla las salidas previstas de tu producto de datos/IA con notas adhesivas, enfocándote particularmente en la información deseada, que incluye preguntas específicas que el producto busca responder. En casos donde la información no se calcula directamente a partir de los datos, sino que se predice/estima usando aprendizaje automático, por ejemplo, los usuarios esperan una explicación de cómo se obtiene la información (comparar con "IA explicable").

③Análisis de Datos: Piensa en diferentes enfoques analíticos para obtener la información deseada y bosqueja los pasos de preparación, análisis y visualización de datos en este cuadro, utilizando notas adhesivas rojas, amarillas y verdes. Conecta estas notas (de todos los cuadros) con flechas horizontales para ilustrar el flujo de datos e información.

Evalúa los méritos y limitaciones de varios algoritmos y métodos para asegurar que se alineen con los estándares requeridos de calidad de información y características del modelo, como la explicabilidad (por ejemplo: modelos explicables de "caja blanca" vs. modelos opacos de "caja negra"). Concluye seleccionando la solución más prometedora.

④Conjuntos de Datos: Identifica e imagina conjuntos de datos esenciales y beneficiosos como entrada a la línea de análisis (con el fin de derivar la información deseada).

Coloca una nota adhesiva para cada conjunto de datos identificado en el cuadro de Conjuntos de datos y vincúlalos a los pasos iniciales de preparación y análisis de datos en el cuadro de Análisis de datos.

Referencias

A: Desde el cuadro de Soluciones del lienzo de Uso de casos en Analítica y AI, copia todas las notas adhesivas azules que definan la información deseada por el usuario, al cuadro de Productos de datos. Cambia su color a rojo, amarillo o verde - dependiendo de la disponibilidad de la información - y, si es necesario, especifica la información deseada más precisamente, es decir, dale a una métrica un nombre distintivo, define su unidad, la resolución temporal, la granularidad, etc.

B: Para la caja de Valor de los Datos, busca notas adhesivas coincidentes en las cajas de Beneficios y Objetivos y Resultados en el lienzo de Analytics & AI Use Case. El valor de los datos o la información se mide por cómo permite al usuario alcanzar sus objetivos y resultados específicos.

C: Si no estás seguro sobre la disponibilidad de datos, explora el paisaje de datos utilizando el lienzo de Data Landscape. Copia todas las notas adhesivas de la caja de Data Sets a las cajas de Sort in del lienzo de Data Landscape. Identifica las fuentes de estos conjuntos de datos, idea conjuntos de datos adicionales y ubica todos ellos dentro de los cuadrantes del paisaje de datos. Evalúa su disponibilidad y actualiza en consecuencia el color de las notas adhesivas tanto en los lienzos de Data Landscape como de Data Monetization: verde → activo de datos, rojo → brecha de datos, y amarillo → datos (con) incidencias.

III. Diseño de Requisitos TOP

A continuación, deriva los requisitos tecnológicos, organizacionales y de personal a partir del diseño de tu producto de datos/IA:

• Agrega notas adhesivas verdes para los recursos o capacidades tecnológicas, organizacionales y de personal existentes.

• Agrega notas adhesivas rojas para las carencias en tu infraestructura tecnológica, estructura organizativa o estructura de personal.

• Agrega notas adhesivas amarillas para los cambios e iniciativas tecnológicas, organizacionales o de personal que ya están planificados, en progreso o con incidencias.

⑤ Tecnología: Comienza evaluando la infraestructura tecnológica necesaria para tu proyecto. Empieza desde el lado izquierdo de tu lienzo y avanza hacia la derecha, moviéndote sistemáticamente por debajo de las cajas correspondientes desde Conjuntos de Datos hasta Valor de los Datos. Para cada etapa del ciclo de vida de tus datos —acceso, limpieza, integración, almacenamiento, análisis y visualización— considera qué herramientas, plataformas y sistemas son esenciales.

En el cuadro de Tecnología, situado debajo de los cuadros superiores—Conjuntos de Datos, Análisis de Datos, Productos de Datos & Valor de Datos—coloca notas adhesivas (múltiples) para cada etapa del ciclo de vida de los datos. Cada nota debe estar etiquetada con los nombres de los productos técnicos o categorías esenciales para operar los procesos en esa etapa específica. Organiza estas notas directamente debajo de sus respectivas etapas para mantener una alineación clara.

Para representar visualmente el conjunto tecnológico dentro de cada etapa, apila estas notas adhesivas—o alternativamente, utiliza formas rectangulares—verticalmente para representar la estratificación de tecnologías. Por ejemplo, un módulo de Python podría estar posicionado encima del lenguaje de programación Python, que a su vez se basa en una plataforma de computación en la nube. Conecta estas notas adhesivas apiladas con flechas horizontales para ilustrar el flujo de datos y cómo cada componente tecnológico se integra con los procesos generales de manejo de datos.

⑥ Organización: Para cada componente técnico, identifica el equipo, departamento, división, subsidiaria/empresa hermana o proveedor externo que "posee" y es responsable de su implementación y operaciones. En el cuadro de Organización, coloca notas adhesivas que representen estas unidades organizativas. Estas deben estar colocadas debajo o cerca de sus componentes técnicos correspondientes para clarificar la dependencia. Conecta estas notas adhesivas con flechas horizontales para ilustrar el flujo de comunicación, como la transferencia de requisitos.

⑦ Personas: Por último, identifica al personal clave necesario para implementar y operar el producto de datos/IA y su infraestructura tecnológica. Coloca notas adhesivas en el cuadro de Personas, posicionadas debajo de la unidad organizativa correspondiente. Etiqueta cada nota adhesiva con el rol, función, título o habilidad del individuo, y opcionalmente, incluye el número de equivalentes a tiempo completo (FTE) entre paréntesis. Usa flechas para trazar las líneas de reporte y/o las conexiones de colaboración y comunicación entre estos miembros del personal.

Consejo: Según la Ley de Conway ("La estructura de un sistema está determinada por los patrones de comunicación de las personas que lo diseñan"), deberías considerar reorganizar antes de implementar el sistema. Para mejorar la comprensión, podrías añadir líneas verticales punteadas para visualizarlo en el lienzo:

• Las dependencias entre los conjuntos de datos y análisis y los componentes tecnológicos,

• Las responsabilidades de las unidades organizativas respecto a los componentes tecnológicos,

• Las afiliaciones que vinculan a las personas con sus respectivas unidades organizativas.

Referencias

D: Actualiza el Analytics & AI Maturity canvas (cuadros azules) con las capacidades tecnológicas, organizativas y de personal para completar tu analytics & AI roadmap.

E: Si la implementación y operación de tu(s) producto(s) de datos requiere cambios fundamentales en tu modelo de negocio, también actualiza el Business Modelcanvas.

¿Dónde encontrar más?

Datentreiber no solo te ofrece esta plantilla de Miroverse, sino también:

• El Kit de Diseño de Negocios de Datos e IA ofrece numerosos lienzos de código abierto para aplicar el Método de Diseño de Negocios de Datos e IA.

• Además, la Comunidad de Diseño de Negocios de Datos e IA gratuita está disponible para intercambios, eventos y contenido experto.

• Los cursos de capacitación online y presenciales pagos con certificación están disponibles en la Academia de Diseño de Negocios de Datos e IA.

• Muchos más herramientas de gestión, plantillas de talleres y guías de proyectos están disponibles en nuestro Banco de Diseño de Negocios de Datos e IA comercial.

• Nuestra Consultoría de Negocios en Data & IA ofrece soporte para tus proyectos de estrategia, innovación y transformación en data & IA.

Si estás interesado o tienes alguna pregunta o comentario, por favor contáctanos en: info@datentreiber.de.

Copyright: Todos los derechos reservados por Datentreiber GmbH.