El CDO de Howden Group explica por qué el modelo de productos de datos se desmorona al ritmo de las adquisiciones y cómo es, en su lugar, una capa de datos lista para agentes
por Aly McGue
El manual de estrategia de datos empresariales tradicional asume un ritmo determinado. Se diseña una estrategia, se crea la plataforma, se incorporan las fuentes de forma metódica y se ponen en marcha productos para cada caso de uso principal. El plan es el artefacto, y el artefacto está diseñado para durar.
Ese manual de estrategia se está sometiendo a pruebas de esfuerzo para las que no fue diseñado. Las empresas que crecen mediante adquisiciones, crean flujos de trabajo basados en agentes y absorben nuevas fuentes de datos a gran velocidad están descubriendo que las estrategias diseñadas para una época más lenta se convierten en limitaciones para el propio negocio. La arquitectura, la taxonomía y el modelo operativo que funcionaban a un ritmo determinado empiezan a jugar activamente en contra del siguiente.
Barry Panayi es Group Chief Data Officer en Howden, un corredor de seguros, asegurador y reasegurador global que opera en más de 50 países con 25 000 empleados. Hace cinco años, la empresa contaba con 10 000 personas. El año pasado, adquirió más de una empresa por semana. Howden ejecuta su plataforma de datos empresariales en Databricks, consolidando más de 100 fuentes de registro en una arquitectura unificada que admite desde informes regulatorios hasta análisis conversacionales a través de Databricks Genie.
En este blog, Barry analiza por qué las decisiones de diseño tradicionales no funcionarán para el rumbo que está tomando el consumo de AI. El modelo de producto se vuelve engorroso. El ciclo de conciliación se encarece. La acumulación de trabajo pendiente en los paneles de control se convierte en un cuello de botella. A continuación, Barry explica qué se debería crear en su lugar.
Aly McGue: Mencionó que el modelo de un producto por caso de uso empieza a fallar en cierto punto. ¿A qué se refiere con eso y qué lo reemplaza?
Barry Panayi: He empezado a ver que este modelo se vuelve engorroso. Si piensa en su capa de datos como un conjunto de servicios abiertos y gobernados, se vuelve mucho más adaptable a cualquier demanda de AI que surja a continuación.
Vamos a servir datos a agentes que los canalizarán por toda la empresa, y eso requiere una mentalidad de diseño diferente. No se puede predefinir cada caso de uso cuando los consumidores ya no son solo paneles de control y analistas. Los agentes compondrán los datos de formas que no se habían previsto. Una capa de servicios asume eso. Un catálogo de productos, no.
Por eso también le digo a la gente que incorpore temprano a quien lidere el trabajo de procesos y agentes en su organización. No después de que la plataforma esté construida.
Aly: Howden adquirió más de una empresa por semana el año pasado. ¿Qué efecto tiene ese ritmo en una organización de datos y qué tuvo que cambiar a nivel de arquitectura?
Barry: Cuando llegué, teníamos unas 80 fuentes de datos ingeridas y se tardaba unos seis meses en integrar los datos tras la adquisición. Al ritmo que vamos adquiriendo, eso significaba que la gente creaba silos o extraía datos de otros lugares porque necesitaban resultados ya. Teníamos una adopción limitada en nuestras divisiones porque sencillamente no teníamos la cobertura necesaria.
No se trataba solo de una modernización técnica. Se trataba de eliminar el costo de la fragmentación, la integración lenta y la duplicación de esfuerzos. Desde el punto de vista de la arquitectura, cambiamos de rumbo. La configuración anterior gestionaba la unificación de datos (data mastering) y los controles de calidad más adelante, más cerca de la capa de informes. Necesitábamos que eso ocurriera lo más cerca posible de la ingesta para que los datos se pudieran usar más rápido. Ese cambio transforma todo el cronograma.
Una de las mayores fortalezas de Howden es la colaboración entre las diferentes partes del negocio. Y lo que impulsa eso son los datos. Es necesario saber qué tiene su colega que podría ayudarle y cómo podría ayudarle usted a él. Había tantas oportunidades de negocio que podíamos aprovechar con solo hacer visibles los datos, ni siquiera completamente ingeridos y unificados, solo visibles.
Aly: Cuando se tienen tantas fuentes, una misma métrica puede existir en varias versiones correctas. ¿Cómo logró que su equipo dejara de perder tiempo en la conciliación manual?
Barry: Podíamos tener hasta cuatro versiones del mismo punto de datos, y todas ellas eran correctas en su propio contexto. No había un modelo de datos ni una taxonomía comunes, por lo que mi equipo dedicaba mucho esfuerzo a averiguar qué versión era la adecuada para una respuesta determinada.
Los ejecutivos siempre obtenían lo que necesitaban. Nos asegurábamos de que las cifras cuadraran. Pero la conciliación manual requería tiempo y recursos que podrían haberse destinado a un trabajo de mayor valor. Desde entonces, hemos creado un modelo de datos estándar, el modelo de datos Accord, junto con la plataforma. Eso codifica la lógica para que la conciliación esté integrada en lugar de depender de que las personas la detecten cada vez.
Ese es el punto clave. Si su taxonomía no está codificada, su equipo se convierte en el motor de conciliación. Ese es un impuesto que se paga en cada ciclo de informes, y escala con el negocio exactamente en la dirección equivocada.
Aly: Muchas empresas tienen una cartera de pilotos de AI que nunca escalan. ¿Qué cambió en Howden?
Barry: Al igual que muchas organizaciones, nuestras primeras etapas se centraron en la exploración, lo que significaba que creábamos casos de uso únicos desde cero. Era una fase necesaria para ver qué era posible, pero para escalar de verdad, teníamos que dejar de reconstruir para cada división. Ahora, gracias a cómo utilizamos la plataforma Databricks, disponemos de canalizaciones estandarizadas, código compartido y activos de datos reutilizables. Podemos realizar análisis multidominio, mezclando datos de clientes, datos de riesgo y datos de mercado, creándolo una sola vez en lugar de reconstruirlo por división.
Ahora tenemos una canalización de casos de uso de AI en todo el grupo. Todavía estamos trabajando en poner en producción los modelos para que puedan consumirse como servicios consistentes, y esa es una brecha sobre la que soy sincero. Pero la transición de experimentos aislados a una capacidad escalable es real. No seríamos capaces de hacer nada de esto sin esa visión unificada.
Aly: En un sector que no se mueve a la velocidad transaccional del comercio minorista, ¿dónde cambia realmente el resultado el hecho de disponer de datos más rápidos?
Barry: Lo que importa enormemente es reducir lo que yo llamo el retraso de la información (insight lag), la brecha entre el momento en que los datos existen en algún lugar de la empresa y el momento en que alguien puede utilizarlos realmente.
Nuestro negocio es principalmente el corretaje. Eso significa dar a los corredores la información más fresca posible antes de que se sienten con un cliente. Nuestros informes solían ser lentos y basados en lotes (batch). Los datos no eran incorrectos, pero para cuando se veían, ya estaban desactualizados. Eso no crea un problema de confianza. Crea un problema de utilidad. Se trabaja mirando por el espejo retrovisor.
Ahora, cuando un corredor acude a un cliente, puede decirle: "Esto es lo que estamos viendo en nuestra cartera en este momento, esta es la referencia, esta es nuestra visión interna". Nuestros datos son nuestra IP. No hay muchas empresas que operen en toda la cadena de valor de los seguros como nosotros. Estaría loco si no me asegurara de que estamos obteniendo esa información rápidamente, y no habría forma de hacerlo con la fragmentación que teníamos antes.
Aly: ¿Cuál fue el catalizador para implementar Genie y qué ha cambiado en la forma en que las personas obtienen respuestas?
Barry: La pregunta que me hicieron, posiblemente incluso en mi entrevista antes de incorporarme, fue: ¿por qué no podemos simplemente chatear con nuestros datos? La lógica era sencilla. La gente chatea con todo Internet a través de ChatGPT. Entonces, ¿por qué no pueden hacer una pregunta sobre los datos de su propia empresa y obtener una respuesta rápida?
Tiene dos vertientes. Una es la velocidad literal. Alguien tiene una pregunta, la respuesta son unos números o un gráfico rápido, y Genie lo hace. La otra vertiente es lo que libera. Sin ella, alguien pide los diez mejores clientes según una métrica. Un analista toma la solicitud, aclara la pregunta, escribe una consulta, crea un panel de control que inevitablemente se vuelve más elaborado de lo necesario. Ese ciclo es lento. En nuestro negocio minorista de US, que era una operación greenfield cuando me incorporé, establecimos la arquitectura de destino desde el primer día. Están usando Genie desde el principio, y probablemente ha ahorrado cientos de horas de creación de paneles de control que la gente habría olvidado tras el primer uso.
Mi colega tiene este concepto que llama la Howden Intelligence Layer: una capa delgada que clasifica su pregunta y la dirige al servicio adecuado. Algunas preguntas pasan por un modelo general para investigación o correo electrónico. Otras son preguntas para Genie porque la respuesta reside en nuestros datos gobernados. El usuario no debería tener que preocuparse por saber de dónde procede.
Aly: Si pudiera ofrecer un consejo a un líder de nivel C (C-level) que esté escalando sus esfuerzos de datos y AI, ¿cuál sería?
Barry: Vaya despacio para ir rápido. No demasiado despacio, pero diséñelo correctamente desde el principio. Pida a su socio de plataforma que le ayude a diseñar la arquitectura, porque he visto a demasiados arquitectos traer ideas preconcebidas de cómo lo han hecho antes.
Incorpore temprano a quien lidere el trabajo de procesos y agentes en su organización. Vamos a servir datos a agentes que los canalizarán por toda la empresa, y eso requiere una mentalidad de diseño diferente. Y empiece a pensar en servicios de datos, no solo en productos de datos.
El argumento de Barry no se trata de Howden. Se trata de las decisiones de diseño que la mayoría de las empresas están a punto de afrontar. El modelo de producto que se adaptaba a la era de los dashboards no es el modelo que se adapta a una era agéntica. El trabajo de conciliación que se realiza en etapas posteriores se convierte en un costo permanente a menos que la taxonomía se codifique en origen. La métrica de actualización de datos por la que optimizan la mayoría de los equipos no es la métrica que realmente le importa al negocio; el retraso en la obtención de insights sí lo es.
El ritmo al que Howden está realizando adquisiciones hace que estas compensaciones sean visibles más rápido de lo que lo serían en otros lugares. Pero estas compensaciones no son exclusivas de Howden. Están llegando a todas las empresas que pretenden servir datos a agentes, y los líderes que diseñen para ese patrón de consumo ahora no tendrán que rediseñar la arquitectura más adelante.
Diseñe para el ritmo al que se dirige, no para el ritmo en el que se encuentra hoy.
Para descubrir cómo más de 25 expertos del sector están trazando el rumbo hacia una implementación exitosa de la IA, acceda al informe "Making AI Deliver" de Economist Enterprise, realizado con el apoyo de Databricks.
(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original
Suscríbete a nuestro blog y recibe las últimas publicaciones directamente en tu bandeja de entrada.