Conversación con Marta Díaz

Marta Díaz lleva más de 20 años en el mundo Data, formando parte y construyendo grandes iniciativas de transformación como el arranque y crecimiento de una Oficina del Dato, además de haber liderado el lanzamiento de Data Governance y Productos de Datos en Leroy Merlin.

Actualmente en Adevinta lidera la plataforma de datos para todos los marketplaces de España (Infojobs, Fotocasa, Habitaclia, Coches.net, Motos.net y Milanuncios).

También es responsable de marketing de DAMA España (Data Management Association) y profesora del Aula Magna Business School. Este año ha recibido el premio "SAS Women in Data Science (#WiDS) 2022" por su implicación en DAMA España, promoviendo el talento femenino en la gestión de datos

Empecemos esta entrevista con un pequeño viaje en el tiempo. En el año 1995 decidiste estudiar una Diplomatura en Estadística y una Licenciatura en Investigación y Técnicas de Mercado. ¿Qué te llevó a tomar esa decisión? 

Tenía claro que iba a por ciencias y matemáticas, siempre se me dio bien, y era la asignatura con la que más disfrutaba. Pensé que matemáticas sería muy teórico y preferí decantarme por estadística porque entendí que era una matemática aplicada a la empresa y a la vida diaria.

Cuando acabé Estadística quería más y todavía más aplicado si cabe a la empresa, probablemente si en aquel momento hubiera una carrera llamada Data Science o Big Data hubiera acabado allí. Así que estudié Investigación y técnicas de mercado donde aprendí muchos de los modelos matemáticos que hoy se entienden como disciplina de machine learning, las matemáticas no han cambiado demasiado desde entonces.

En aquel momento tampoco quería solo estudiar así que compaginé de inicio prácticas en consultoras de estudios de mercado, quería aportar algo, aplicar lo aprendido y seguir creciendo.

De hecho, en cuanto acabaste de estudiar empezaste a trabajar en el ámbito del Market Research, ¿cómo recuerdas esa primera etapa profesional? ¿Qué tipo de datos usabais y cuáles eran los principales retos analíticos?

La recuerdo como una etapa muy gratificante y de mucho aprendizaje, aprendí a aplicar lo aprendido y sacarle el máximo provecho a todos los modelos, a los lenguajes que en aquel momento eran SAS y SPSS y sobre todo aprendí a escuchar las necesidades de los clientes y cómo ayudar a tomar decisiones y dar respuestas con datos.

Inicié mi carrera profesional en consultoría e institutos de investigación, donde era responsable de una cartera de clientes principalmente centrados en banca, seguros, transporte y administración pública. Los datos principales de que disponíamos eran resultados de encuestas de satisfacción, focus group y recogida de datos mediante la técnica de mystery shopping. En aquel momento no éramos capaces de guardar y procesar el volumen de información que tenemos hoy. Y los que tratábamos con datos soñábamos con cruzar con datos de negocio, éramos unos locos.

Tras mi paso por consultoría quería más porque no acababa de conocer a mis clientes, sólo conocía aquello que me querían mostrar y me faltaba más, me faltaban datos para acabar de entender a los clientes y al negocio. Así fue como llegué a Aki Bricolaje

Hablemos pues de tu etapa en AKI Bricolaje, más de 14 años. ¿Qué tipo de proyectos llevaste a cabo en esta etapa? 

14 años dieron para mucho y aunque siempre estuve ligada al dato pasé por diferentes puestos que me dieron una visión completa del negocio retail. Empecé como Responsable de Market Research y mi labor fue definir el nuevo departamento, con el objetivo de aportar valor a Marketing, Compras y Expansión. Entre otros temas era responsable de:

• Estudios de Expansión y Compras. Mi principal proyecto era la estimación de cifra de ventas para nuevas aperturas para minimizar el riesgo en la apertura de centros. Formando parte la estimación de cifra de la cuenta de resultados que decidía la viabilidad del proyecto o reconsiderar las condiciones económicas. También estimaba la cifra de ventas ante nuevas situaciones en el mercado (ampliación de superficie, cierres y aperturas de la competencia, etc) y hacía seguimiento de la competencia (generando informes periódicos para todo el Grupo Adeo en España: Leroy Merlin, AKI y  Bricomart).

• En el mismo scope entraba la mejora de resultados de las tiendas existentes y entender el comportamiento de ventas y clientes según la zona, tipo de vivienda, características de la población, competencia existente, fuerza comercial del emplazamiento y características de la ubicación y tienda (accesos, visibilidad, fuerza de otros operadores, m2 y mix comercial) entre muchos otros. En esa línea también realizaba estudios de zona mediante encuestas para conocer la principal competencia de cada una de las secciones de la tienda y así aportaba la situación en la tienda y plan de acción tanto de surtido como de comunicación (impacto folletos, impacto vallas, etc).

• Estudios de Marketing: notoriedad de marca, estudios de imagen, impacto folletos y acciones comerciales para el afinamiento del mix comercial por zona, satisfacción clientes

Llegó 2009 y se congelaron los presupuestos para estudios de mercado y es cuando asumí además la Responsabilidad de Marketing. Allí se me abrió un mundo. ¡Podía construir de cero el plan de comunicación! Analicé los momentos de la vida de nuestros clientes (vacaciones, día de la madre, Semana Santa), analicé la estacionalidad de ventas, las acciones de comunicación de años anteriores y sus resultados y así es como construí el plan de comunicación, con datos y más datos, que me permitieron aplicar mi conocimiento del entorno de las tiendas desde un punto de vista de producto y comunicación global y local. Es cuando lanzamos por primera vez folletos temáticos de profundidad de gama para saber quiénes somos y ser referentes en sectores fuertes, donde el cliente compra “mayo: sanitarios” “febrero: madera”...Cada mes tenía su bloque y eso lo combinamos con folletos tráfico (oferta/precio) que buscaban incrementar la penetración en la zona, darnos a conocer. Y todo ello analizando los datos de todas las tiendas y con un equipo potente, todo mujeres, algo que hoy puede hasta sorprender.

Y tras un año, decidí centrarme en la parte de estudios porque ya llevaba aprendido mucho y me llevaba un gran conocimiento de logística, relación con producto y comunicación. En paralelo iba avanzando la tecnología y cada vez más podía llegar a más datos y mejor, si bien continuaba siendo la rara de los datos. Y entonces surgió la oportunidad de conocer en profundidad otra pata de mi trabajo en expansión que era buscar solares para abrir tienda, negociar contratos con propietarios, patrimoniales y centros, relaciones institucionales con ayuntamientos, conocimiento urbanístico y jurídico. Y es cuando, siempre sin dejar mi parte de datos y estimación de cifras, empecé a buscar activamente aquello que los datos me indicaban que había que buscar y donde me decían.

Me puedes encontrar en esta época en este artículo y también aquí.

Al hilo de lo que explicas, tengo una pregunta capciosa. Muchas veces desde el mundo de Data Analytics se tiene la percepción que el Market Research es una disciplina menos robusta. Yo, que también he trabajado en proyectos de Research, creo que son campos complementarios, y que Data Analytics sin inputs de mercado y de consumidor no es suficiente. ¿Cuál es tu punto de vista al respecto?

Market Research es muchas veces un buen padre para llegar a Data Analytics, porque parte de los mismos problemas a solucionar y de intentar dar solución con datos. Market Research me ha aportado escuchar a los clientes y partir siempre de la premisa que lo que te dicen no es lo que realmente quieren, es lo que saben expresar o creen que quieren, pero siempre siempre hay que preguntar, y enfocar a valor todo lo que haces, porque cuando en Market Research alguien paga quiere un resultado, no vale saber por saber. Y muchas veces la grandeza de encontrar la buena muestra, las buenas preguntas, el buen análisis y la buena presentación (ese storytelling del que tanto habla data analytics) es la clave.

Ahora mismo, soy una firme defensora de que todo todo puede conseguirse con Data Analytics y que no debemos ir a “lo fácil” que es preguntar y obtener resultados subjetivos mediante encuestas o focus group de lo que creo que hago, y que muchas veces no soy consciente de que lo hago. Creo más en la recogida de datos de comportamiento o en observar en ambiente real que preguntar mediante encuestas.

Soy por ejemplo bastante crítica con valoraciones como el NPS.

Cursar el Máster en Business Intelligence y Big Data me abrió la mente en este sentido, y me ayudó a entender y relativizar eso del “big data”. Este libro me ayudó a digerir la situación y adaptar mi mente (Viktor Mayer-Schönberger “ Big Data. La revolución de los datos masivos”), siempre lo recomiendo antes de estudiar nada de Big Data técnico, porque si no entiendes los cimientos darás tumbos. Es cierto que en Data Analytics a veces no se dispone de los datos que a uno le gustaría pero siempre prefiero ser creativa y buscar más, y preguntar, y así tener todas las perspectivas.

Después de tu periplo en AKi Bricolaje pasaste a trabajar en Leroy Merlin. En esa etapa ejerciste de Data Product Owner ¿cuáles eran tus principales responsabilidades?
Mi época en Leroy Merlin fue una de las aventuras más apasionantes en mi carrera profesional. A Leroy Merlin lo conocía muy bien porque AKI formaba parte del mismo grupo así que no fue tanto dejar de trabajar en AKI sino seguir aprendiendo en Leroy Merlin.

Y, en este aprendizaje, inicié mi carrera dentro del maravilloso mundo de gestión del cambio y de revolucionar una empresa, porque empezamos construyendo el nacimiento de la oficina del datos en Leroy Merlin y de aplicar todo lo aprendido en mi background profesional y en el Master de Business Intelligence y Big Data que había iniciado.

Fue una fuerte apuesta por mí en Leroy Merlin, y mi labor era una profunda gestión del cambio, porque estaba liderando el cambio de la nueva oficina del dato, evangelizando con una nueva mentalidad Agile y siendo el primer Data Product Owner de la compañía. Y a eso se unió la responsabilidad de Liderar también en España la implementación de Data Governance.

Sí, los retos van conmigo. Y lo doy todo, porque tuve la suerte de conocer Agile y la figura de Product Owner y su mentalidad estaba totalmente alineada con mi forma de trabajar y mindset y además estaba explotando datos, ¿qué más se podía pedir? Sí que es cierto que hasta ese momento mi perfil iba más por ser parte activa como data scientist o data analyst, tocar los datos, pero conseguir un producto que los usuarios amen y del que los desarrolladores se sientan orgullosos supera esa fase. Y además enfoca al product owner también a tomar decisiones con datos y medir y medir todo lo que hace.

Así que me tocó darle forma a la figura de Data Product Owner en Leroy Merlin y fue el mejor viaje, donde partíamos de poca credibilidad con el dato y donde demostramos lo que éramos capaces de conseguir y marcamos el camino.

Mi labor era construir productos data y, como product owner, lideraba la visión del producto y era la voz de los stakeholders, definiendo el qué, lo que queríamos resolver, por qué y el enfoque a valor de lo que queríamos conseguir para que así el equipo de desarrollo definiera y construyera el cómo conseguirlo (data engineers, backends, frontends, data scientist, data analyst y ML engineers). 

Lideraba la visión, estrategia y desarrollo de Data Products. Productos que utilizan datos para ayudar al negocio a mejorar sus decisiones y procesos basados en Business intelligence, Business analytics, Machine learning, Data science y Big data.

¿Cuáles fueron los retos principales en esta etapa? Me imagino que no rol tan nuevo requiere mucha paciencia y determinación para que la organización lo entienda

Disfruté muchísimo porque mi gran reto siempre era conseguir que nos centráramos todos en un objetivo. Requería de mucha paciencia sí, y hablar mucho con todos, y ser transparente y escuchar. Solo con escuchar tienes el 80% ganado, porque te das cuentas que falta en todos sitios: comunicación, escucharse, salir de la burbuja y preocuparse por lo que hace el otro, por conectar.

Lo que aprendí fue lo que después he llamado efecto MERCURIO, que fue el nombre del primer producto data de Leroy Merlin España y que me tocó liderar, el primer producto realizado en agile y llevado a la máxima expresión. Donde los stakeholders estaban de espaldas a esta nueva forma de trabajar que no entendían, porque ellos traían un listado de 20 páginas de toma de requerimientos, un prototipo, y lo primero que haces es decirles que solo pueden disponer de una funcionalidad, y que elijan bien aquella que va a maximizar el resultado porque no se puede tener todo y el producto debía enfocarse a la acción. Pasábamos más tiempo pensando en lo mínimo a construir que en construir, porque teníamos dos grandes objetivos:

• Resultados y entrega de valor

• Que la entrega no se pareciera en nada al prototipo

Y tras una primera entrega el feedback fue bastante malo,  porque no les estábamos dando casi nada y a eso no estaban acostumbrados. Entonces es cuando toca dar la vuelta y conseguir que los usuarios se sientan responsables del resultado porque no construyes para ellos, sino con ellos y “nada es gratis”. Si estás dando feedback, formas parte del equipo y tienes la responsabilidad de todo lo que se hace, porque tú también formas parte del producto. Esto es el efecto mercurio, y requiere de mucha paciencia, mucho insistir, pero cuando llega ese “click” la sensación es tal que sabes que ha merecido la pena.

¿Con qué stakeholders interactuabas? 

Mis principales stakeholders eran personas de tienda y de central que tenían un impacto directo en clientes y para los cuales iba dirigido el producto, desde Directores de Tienda a cajeras o vendedores hasta Comité de Dirección, Directores de Producto o merchandisers y assistants.

El equipo data y desarrolladores eran mi equipo, aquel que hacía realidad el producto, que daba sentido y valor a la visión del producto. En los equipos interactuaba con data engineers, data scientists, data analysts, machine learning engineers, backends y frontends.

Y ya que has hablado del tema, me gustaría pedirte tu propia definición de lo que es un Data Product Owner: qué cosas forman parte de su trabajo y cuáles no. Asimismo me gustaría saber qué herramientas usabas.

Me encanta esta pregunta porque este término está sufriendo diferentes declinaciones debido a la propia definición de Data Product que también ha ido evolucionando.

Hace unos años se entendía Data Product como aquel producto construido a partir de datos que mediante transformaciones, business intelligence, data science, big data  o inteligencia artificial respondía a una necesidad de negocio, dando respuesta a un problema o aportando una solución.

Hoy la definición es mucho más amplia, la tendencia de tratar el dato como producto (con un ciclo de vida, un servicio, preocupándonos por su calidad, su uso, su gestión) nos lleva a ampliar el concepto de valor como dato. Actualmente no sólo tiene valor el producto final (alineado a la solución de un caso de uso), sino que tiene valor desde el dato más raw, el dato más agregado, e incluso el propio metadato o modelo de datos.

Así que hoy como Data Product Owner podemos encontrar la más tradicional, que es gestionar el producto que responde a negocio, a un caso de uso.  O bien la gestión de cualquier asset (dato bruto, agregado, metadato, modelo) como un producto, con su servicio, su ciclo de vida, su calidad y su evolución para conseguir aportar mayor valor a otros, probablemente Data Product Owners que requieren ese dato para construir otros.

Apasionante mundo que no para de evolucionar, hemos pasado del Data Product al Data as a Product, y ahí también ha requerido que aparezcan figuras que gestionen y se preocupen por la evolución y servicio de ese dato.

He hablado mucho de Data Product pero Product Owner quizás no queda tan claro, y aquí voy a citar a la Scrum Guide en la definición de Producto y Product Owner:

• Un producto es un vehículo para entregar valor. Tiene un límite claro, partes interesadas conocidas, usuarios o clientes bien definidos. Un producto podría ser un servicio, un producto físico o algo más abstracto. 

• El Propietario del Producto es responsable de maximizar el valor del producto resultante del trabajo del equipo de Scrum. 

¿Y qué opinas del debate Product Owner – Product Manager?

Si me sigues sabrás que lo llevo fatal, porque no entiendo el debate. Ese debate es no saber qué es lo importante, que es que el producto tenga una persona que se preocupe y sea el puente entre los usuarios (el qué) y el equipo que lo desarrolla (el cómo), que para ello debe tener diferentes sombreros dependiendo de en qué momento se encuentre el producto y deberá dedicar más tiempo fuera del equipo o dentro.

A mí me da igual el término que se use, pero no me llames P.O. Si entiendes esa posición como un gestor de requerimientos, si vas a realizar esa diferencia llámame Product Manager porque un P.O. debe avanzarse al producto, mimarlo, tener clara la estrategia, la visión y guiar.

Al final un P.O. no es más que un rol que scrum define como componente de un equipo producto. No es más que eso, así que si hablamos fuera de scrum pues sí hablemos de lo que quieras. Y sí sé que en evoluciones de scrum (fuera de la guía básica) para el escalado de equipos SAFE y otras alternativas hablan de jerarquías e infinidad de roles. Pero para mí la esencia es la misma, un producto necesita que alguien cubra ese rol si quieres llamarlo de otra manera pues vale, pero el nombre no hace a la persona, lo que lo define sí, y en eso me centro, no en debates superfluos.

En tu etapa en Leroy Merlin también fuiste Data Governance Leader. Dame un poco de detalle de tus funciones. Porque la gobernanza de datos es también un asunto complejo en términos de gestión de stakeholders. 

Totalmente, otra gran gestión del cambio es cuando me encargaron liderar e implementar un equipo Data Governance en la compañía. Aquí descubrí lo desagradecido y complejo de la posición. Porque el gobierno del dato es el gran olvidado a pesar de ser una pieza fundamental para conseguir ser data driven. Estando en DAMA he tenido la oportunidad de compartir experiencias con muchos responsables de Gobierno y CDOs y es un problema generalizado.

Aquí cuesta más encontrar ese efecto mercurio, pero si que ayuda un enfoque agile en valor, construyendo a partir de quick wins. El único handicap es que aquí toca convencer al comité de dirección del cambio porque no todos entienden el gobierno como lo que es: personas, procesos y tecnología. Y lo último no arregla las 2 palancas anteriores.

Y ya que hablamos de estos temas, me gustaría saber tu receta para conseguir “one source of truth”. Dime tus tres DO’s y tus tres DONT’s

DO

• La priorización y enfoque a valor debe ser una premisa máxima

• Aprovecha los recursos cuando estés generando valor para construir y debatir y mejorar el dato de origen como “one source of truth”

• Reacciona ante los problemas pero implementa medidas preventivas antes de que vuelva a suceder.

DONT

• No construyas catedrales e intentes llegar a todo, “one source of truth” es un camino no un fin.

• La soledad y real decreto sin camino y escuchar a los consumidores de datos puede llevarte a tomar decisiones equivocadas.

• Olvídate de hacerlo por áreas, el camino debe ser transversal y deben escucharse todos

Actualmente eres Product Owner Data Platform en Adevinta Spain. Dime en qué consiste tu trabajo y cuáles son tus principales objetivos

Actualmente lidero la Plataforma de Datos para todos los marketplaces en España (Infojobs, Fotocasa, Habitaclia, Coches.net, Motos.net y Milanuncios). Un producto clave en la cultura de datos corporativa, como acelerador tecnológico para gestionar los datos como producto para una toma de decisiones más inteligente y una generación de productos de datos más rápida.

Mi trabajo consiste en unir la tecnología con el negocio, aportando a los consumidores de datos una arquitectura y frameworks que les permitan ser autónomos en la exploración, transformación, modelado de datos y la generación de data products, en un entorno escalable, robusto y gobernado. Y a su vez ofrecer esa materia prima que es el dato como producto dentro de un mercado de datos. En España uno de cada 2 internautas entra diariamente a uno de nuestros marketplaces, el valor que tenemos como termómetro del mercado es enorme y ese potencial hay que cuidarlo, gestionarlo y tratarlo como un producto que permita extraer el máximo valor.

En un proyecto de la magnitud de un Data Platform ¿qué tipo de perfiles hacen falta para llevarlo a cabo? En el caso de los perfiles de Data, ¿podrías describir brevemente las responsabilidades de cada una de ellas? 

Pues dependerá mucho de la apuesta de la compañía de build or buy. En el caso de Adevinta, al tratarse de una empresa 100% tecnología y con varios marketplaces, existe un amplio equipo data (analyst, data scientist y data engineer) en cada marketplace, así que el equipo de plataform debe ser tecnológicamente fuerte para ofrecer una plataforma de autoservicio gobernada que cubra un amplio abanico de perfiles, desde los más data o tech hasta usuarios de negocio.

En el equipo contamos con Data Engineers, Machine Learning Engineers y Platform Engineers en la parte de arquitectura de datos. Disfruto mucho porque aprendo cada día y ser el traductor de un mundo tan técnico a una entrega de valor que entienda el usuario es mi reto diario.

Pero el equipo realmente no es solo el equipo de Data Platform, contamos con usuarios entregados con los que construimos y para los que construimos, con ese objetivo común tan importante que es ser una empresa data driven. Trabajando muy próximos al CDO, Heads of Data de cada marketplace, Data scientist, Data analyst, Data engineers, Product Owners,  y potenciales usuarios de la plataforma, principalmente de negocio y equipo de tecnología.

Aquí también te pido tus 3 DO’s and DONT’s de un proyecto de Data Platform

DO

• Recuerda “data architecture goal is to be a bridge between business strategy and technology execution”. Siempre tener presente el por qué estas creando una Data Platform

• Escucha, habla y observa la relación de los usuarios con el dato, una Data Platform es un producto y como tal debe ser “data driven”. Tienes que analizar su uso y cómo los usuarios interactúan y cómo los productos se generan para llegar al valor y a ser ese acelerador en la cultura data driven.

• Recuerda siempre que Data Platform no es un servicio para negocio o equipos data, recuerda el efecto Mercurio. Lo que une a Data Platform y a negocio es la estrategia, guíate siempre de ella y no trabajes “para” trabaja “con”

DONT

• No creas que la tecnología acelera por sí sola, sin gestión del cambio y acompañamiento de personas y proceso has periodo la batalla.

• No construyas características, construye soluciones.

• No pienses que Data Platform es solo infraestructura, porque como producto su bien más preciado es el dato que circula, que es lo que da valor, y debemos gestionar ambas cosas, no podemos entender una Data Platform solo como arquitectura.

Además de tu rol en Adevinta, desde mediados de 2020 estás vinculada a DAMA. ¿Cuál es la misión de DAMA? ¿Y cuál es tu cometido dentro de DAMA?

Descubrí DAMA cuando empecé en Data Governance porque el DMBOK es el framework internacional de referencia en la gestión de datos. Y descubrí que los que lo escribieron sabían de lo que hablaban, porque me sentí super identificada con cada párrafo y cada dificultad, y lo bueno es que ahí encuentras cómo enfocarlo y qué tener en cuenta, encuentras respuestas, no una metodología sino una guía.

Y como siempre empiezo, descubro y quiero más, iba a realizar curso para certificarme pero empezó la pandemia y los costes de disparaban, así que esperé y en paralelo me fui uniendo a la asociación, como socia y también como integrante de dos grupos de trabajo: data governance y data quality, para seguir aprendiendo e intercambiando experiencias con profesionales de sector.

Mi vinculación con DAMA ha ido creciendo y en febrero me contactaron con un nuevo reto que no pude rechazar y ya empecé a formar parte del comité ejecutivo como Responsable de Marketing, llevando a cabo la estrategia de marca y comunicación de la asociación. 

DAMA es una asociación sin ánimo de lucro y en la que todos los que estamos compaginamos con nuestro trabajo, así que las noches se hacen más largas, pero lo que te da la asociación lo vale, he conocido a muchísima gente, a la que aprecio y con la que debato cada día y aprendo, porque esto no acaba nunca y cuando entras en este rueda ya no quieres salir.

Y por si todo esto fuera poco, en todos estos años has dedicado tiempo a la formación, en ocasiones como alumna pero también como profesora. Diría que no te cansas de aprender, lo cual me parece muy loable 

La formación engancha, y querer aprender y saber más, escuchar y volver a reflexionar también. Sí, no paro, porque siempre hay un libro interesante, un artículo o debate en la red, un curso que te aporta algo, una conversación de café que te trae un reto nuevo. Y cuando descubro algo nuevo quiero profundizar más para seguir creciendo e innovando, porque el mundo no para y hay que moverse con él.

Y en marzo también me surgió la oportunidad de aportar mi grano de arena como profesora en una escuela de negocio que tiene un gran propósito y ahí no pude decir que no, es Aula Magna y estoy encantada de participar el el proyecto y poder ayudar a otras mujeres a perder el miedo al dato y a ayudarlas a conseguir sus objetivos.

Tú y yo nos conocíamos “virtualmente”, pero no fue hasta el evento Gender Gap de BcnAnalytics que nos vimos en persona. Así que me gustaría preguntarte por la brecha de género en el mundo STEM. ¿Qué crees que deben hacer las empresas y los gobiernos para mejorar la situación actual?

Me encantó la exposición de Marta Cardona sobre la brecha de género. Y tras el evento me di cuenta que es en lo que creo y por lo que lucho cada día, aportar y hacer extensivo el problema, ser ejemplo de que se puede y ayudar a otras mujeres, niñas, jóvenes a ver la realidad y no quedarse en lo superficial.

A nivel empresas y gobierno es necesaria una limpieza mental de verdad, cuestionando todo y llegando a las conclusiones. Tengo dos hijos: una niña de 8 años y un niño de 10. Y cada día lo veo en ellos, como los inputs que reciben los van marcando y como debes hacer reingeniería para hacerlo críticos, para pensar más allá de lo simple y cuestionarse y darse cuenta de que sí, que las mujeres no lo hemos tenido fácil, ni lo tenemos. Y hacer con ellos un acto de transparencia porque tú también vives con prototipos muy arraigados, que a veces pasan desapercibidos.

Y creo firmemente que tras ver y detectar el problema que si no forzamos a cuotas de mujeres a todos los niveles, la diversidad nunca estará presente. Y debemos elevar esto a la educación, desde pequeños, con ayudas desde las escuelas y también desde casa como padres, debemos aprender todos, aprender pensando no esperando a que otros te den el temario.

Si bien es cierto, que recientemente he vivido un debate interno en el que creo caemos muchas mujeres, entre las que me incluyo: “exigimos cuotas pero que sean otras”. En ese paso nos queda mucho camino y tenemos que también reprogramarnos porque si queremos que las cosas cambien debemos empezar por nosotras mismas.

Y ya para cerrar la entrevista, ¿cuáles crees que serán los grandes cambios que viviremos en el mundo de Data Analytics en los próximos 3-5 años?

1.Data culture universal

Más que un cambio es un sueño. Sueño en reducir a la mínima expresión los silos, porque data analytics y la cultura data driven quita los silos de información departamental dentro de una empresa el “mi tesoro, mi dato”. Data Analytics nos dio a unos expertos en datos que vienen a enseñar a las viejas glorias, que al final son los que tienen lo que les falta a los otros: el conocimiento de negocio.

Así que apuesto por una data culture universal, donde cada persona cuenta en el proceso y donde tan importante es saber generar modelos complejos de machine learning como soñar y pensar en aquello importante. Así que apuesto por perfiles híbridos con porcentajes diferentes en diferentes áreas y con soluciones acordes a su perfil.

2. Data creator y Data Ethics de la mano

La inteligencia artificial está cada vez más cerca de las tareas cotidianas del ser humano y los modelos de lenguaje, imágenes y videos están avanzando muy rápidamente, generando música, artículos técnicos, imágenes 3D a partir de una foto o respondiendo a una conversación como un humano. Estoy hablando de GPT-Chat, Dall-E 2,  Stable Diffusion y otros tantos.

Esto no va a parar y va a seguir a más y cada vez con mayores retos, porque una de las cosas que pone sobre la mesa esta réplica del entorno es que es tan injusto como el mundo, así que toca armarse de valor y entender a la tecnología como facilitador no como decisor, así que nos toca vigilar, cuestionar y sobre todo entender cómo se genera y por qué para poder llegar a cuestionar o replantear el cómo.

Hemos pasado de la automatización de tareas humanas a la generación de contenido, música, imágenes o conversaciones humanas y ahora ya no nos hace tanta gracia porque vemos nuestro día a día sustituir. Es innombrable la de artículos al respecto de conversaciones con GPT-Chat donde se pone de manifiesto que los prototipos e injusticias también los aprende la A.I.

La rapidez de la tecnología, está generando muchas conversaciones sobre la ética en la inteligencia artificial y está claro que entre la nueva Normativa Europea al respecto y esta evolución seguirá siendo uno de los trending topics del próximo año.

Aquí veremos entrar en el panorama nuevos perfiles data centrados en esta problemática, probablemente abogados contra algoritmos, data ethics auditors y nuevas ramas que intenten ver la forma de minimizar estas injusticias.

Y serán cada vez más comunes debates del futuro y la coexistencia de máquinas y personas y el papel de cada una. Una de las máximas en gestión del cambio en una compañía cuando entra el dato como asset es que los colaboradores entiendan a los algoritmos y la inteligencia artificial como una ayuda en su día a día, que les permite dejar de realizar tareas manuales y repetitivas y dedicar el tiempo tomar decisiones con base y a dedicar el tiempo a definir la parte más creativa de una estrategia, de un enfoque y teniendo eso que Macarena Estévez llama “la idea feliz”, aquella que hace cambiar el rumbo, descubrir un nuevo enfoque y dejar el camino de otros, encontrar el equilibrio será la clave para avanzar y sacar lo mejor de cada uno.

3. Nuevas formas de ver la vida y aprendizaje

Las nuevas generaciones viven cada vez más una tecnología más solapada en sus vidas, porque no está para ayudar sino que está integrada en nuestro día a día, y esto puede hacer que se pierda el cuestionarse los por qués, ahí veo un gran reto en la educación como conseguir mentes inquietas, que se cuestionen el día a día, que sean creativas y que piensen por sí mismas, en un mundo lleno de facilidades y máquinas que responden en tiempo real a cualquier necesidad. La motivación y nuevas formas de enseñanza será primordial para enganchar a los jóvenes y generarles inquietud, potenciar su creatividad y ganas de aprender.