PROYECTOS DATA-DRIVEN: Gestión efectiva de Datos para

maximizar la eficiencia en los Proyectos

Por: Ysmael Ormeño Zender, PMP, PMO-CP, SMPC
ORCID 0000-0001-6480-3855
Junio 2023

En el cada vez más interconectado y digitalizado entorno actual, los datos trascienden
como un recurso valioso e indispensable. En el caso de la gestión de proyectos, en
todas sus fases, y más allá del sector en el que operen, se generan una inmensa
cantidad de datos que no sólo se utilizan como base para el análisis y la toma de
decisiones, sino que también son esenciales para lograr una mejora continua.
Aunque muchos líderes de proyectos todavía consideran los datos simplemente como
un medio asociado para generar reportes, es crucial comprender que estos datos, que
van desde información sobre los stakeholders y la planificación de los proyectos hasta
el seguimiento del cronograma y presupuestos, se transforman en información cuando
se contextualizan.

Ciclo de vida de la información

Esta información, se convierte en

conocimiento, cuando se comprenden y se
interpretan los patrones y las tendencias que
revela. Y, finalmente, este conocimiento se
puede traducir en acciones estratégicas y
decisiones informadas que pueden marcar la
diferencia entre el éxito y el fracaso del
proyecto.
Una gestión sistematizada de los datos no
sólo permite a las organizaciones entender y
controlar el presente de sus proyectos, sino
que también les ayuda a prever y moldear su
futuro.

De esta manera, la gestión de datos se convierte en una herramienta estratégica para

optimizar la eficiencia, mejorar los resultados y aportar un valor incalculable a cada
proyecto.
Es en este contexto que entramos en la era de los Proyectos “Data Driven” o proyectos
impulsados por datos (Data-driven Projects), un innovador enfoque que se centra en
aprovechar los datos en todas sus formas y fases para conducir las decisiones y las
acciones en la gestión del proyecto. Al establecer sistemas eficaces de gestión de datos
desde el inicio, los líderes de proyectos pueden asegurarse de que cada dato recopilado
tenga el potencial de ser utilizado como una herramienta valiosa para impulsar el éxito
del proyecto.
Como lo expresa McKinsey (2021), para el cercano 2025, las organizaciones utilizarán
plataformas de intercambio de datos para facilitar la colaboración en proyectos basados
en datos, tanto dentro como entre organizaciones. En ese sentido, aquellas
organizaciones capaces de hacer el mayor progreso más rápido, son las que podrán
capturar el valor más alto de las capacidades respaldadas por datos.
“Proyectos Data Driven” Ysmael Ormeño Zender
Al avanzar en esta nueva era, los invito e integrar este concepto revolucionario, teniendo
la certeza de que los datos, cuando se administran y analizan adecuadamente, pueden
llevar la eficiencia de nuestros proyectos a niveles hasta ahora inimaginados.
Palabras clave:
Gestión de Proyectos, Datos, Data Driven, Transformación Digital, IA

COMPRENDIENDO LA GESTIÓN DE DATOS DEL PROYECTO

La gestión de datos del proyecto se puede definir como las prácticas que se utilizan para
recoger, almacenar, organizar, procesar y utilizar los datos generados o necesarios
durante el ciclo de vida de un proyecto.
El reconocimiento de la importancia de una gestión formal y sistematizada de los datos
ha llevado a la necesidad de contar con estándares como el DMBOK (Data Management
Body of Knowledge) de Data Management Association (DAMA), que define un espectro
completo de disciplinas que cubren desde la arquitectura de datos, la calidad de los
datos, hasta la gobernabilidad y la seguridad de estos, entre otros.
Al aplicar estos principios y prácticas al conjunto de datos generados en el curso de un
proyecto, las organizaciones pueden mejorar la precisión, la consistencia y la relevancia
de los datos, lo que a su vez facilita el análisis, la toma de decisiones y la implementación
de mejoras.
Conjugar la gestión de proyectos basada en enfoques del Project Management Institute
(PMI) con la Guía de los Fundamentos para la Dirección de Proyectos (Guía PMBOK) y
el DMBOK de DAMA, significa un avance importante para la entrega de valor esperado
en las organizaciones. Este enfoque no sólo se ocupará de cómo se recopilan,
almacenan y procesan los datos, sino que también se centrará en cómo se convierten
estos datos en información valiosa, se desarrolla el conocimiento a partir de esta
información y se toman medidas basadas en este conocimiento.

DIFERENTES TIPOS DE DATOS GENERADOS EN UN PROYECTO

Muchas veces, suele pasar desapercibida la naturaleza y magnitud de los datos
generados durante un proyecto, los cuales varían ampliamente dependiendo del
enfoque de desarrollo y la etapa del ciclo de vida del proyecto. Aquí se presentan
algunos ejemplos comunes:

• Datos de inicio e idea: Estos datos suelen estar relacionados con la visión y la
justificación del proyecto. Pueden incluir datos de mercado, estudios de
factibilidad, requerimientos iniciales, estimaciones de costos y beneficios.
• Datos de clientes y stakeholders: Esto podría incluir las expectativas del
cliente, los comentarios y los informes de satisfacción del cliente.
• Datos de planificación: Incluye el plan del proyecto, el cronograma, los
presupuestos y los recursos necesarios, los riesgos identificados y los planes
para abordarlos.
• Datos de diseño y desarrollo: Estos datos podrían incluir detalles de diseño,
especificaciones técnicas, pruebas, resultados de pruebas, cambios solicitados
y aprobados, y comunicaciones entre los equipos.

Página 2 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender

• Datos de implementación: Estos datos recogidos podrían ser sobre la gestión

del cambio, la formación necesaria, los problemas y los defectos detectados, las
resoluciones, los informes de progreso y las actualizaciones de estado.
• Datos de monitoreo y control: Esta fase puede incluir datos de rendimiento del
proyecto y del equipo, métricas de calidad, progreso en relación con el plan del
proyecto y emisión de informes.
• Datos de la gestión de adquisiciones: Esto puede incluir bases de datos de
proveedores, cotizaciones, datos que permitan realizar el análisis de hacer o
comprar.
• Datos de rendimiento: Estos datos se utilizan para evaluar la calidad y la
eficiencia del trabajo realizado.
• Datos de riesgo: Incluye los posibles riesgos, categorías y problemas
identificados, así como las estrategias de mitigación correspondientes.
• Datos de reclamaciones: Los proyectos no son exentos de controversias que
requieren de una trazabilidad de datos e información para la defensa de las
partes.
• Datos de Cierre: Lecciones aprendidas, informes finales, evaluaciones de
rendimiento, documentación de cierre y datos de transferencia.
El problema es que, si construimos un Data Journey Map como el que se observa en la
figura adjunta, observaremos que existe una infinidad de datos que no se aprovechan
en todo su potencial por la falta de digitalización y de gobernanza en su administración.
Data Journey Map

Tipos de datos considerando los enfoques de desarrollo

Por otro lado, en relación con los diferentes enfoques de desarrollo, como predictivo,
adaptativo o híbrido, la naturaleza y el tipo de los datos pueden variar requiriendo de
una adaptación de su forma de gestionarse para maximizar su eficiencia. A continuación,
algunas consideraciones:
1. Enfoque Predictivo: En este enfoque, el proyecto se planifica en su totalidad
antes de que comience la ejecución. Los datos generados y requeridos en este
enfoque pueden ser bastante detallados e incluirán aspectos como costos
exactos, cronogramas detallados, requisitos del proyecto claramente definidos,

Página 3 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
planes de calidad y más. Los datos se recogen, se monitorizan y se controlan
principalmente para garantizar que el proyecto siga el plan inicial.
2. Enfoque Adaptativo (o Agile): En los enfoques adaptativos, los proyectos se
ejecutan en iteraciones cortas o “sprints”. Los datos en estos proyectos suelen
estar más centrados en la velocidad y la flexibilidad. Los datos clave podrían
incluir elementos como el “backlog” del producto, las historias de los usuarios,
los criterios de aceptación, los puntos de la historia, las velocidades del equipo,
las métricas de calidad y los comentarios del cliente. Los datos se recogen y
utilizan para hacer ajustes y adaptaciones en el curso del proyecto.
3. Enfoque Híbrido: Un enfoque híbrido combina elementos de ambos enfoques,
predictivo y adaptativo. Los datos en un enfoque híbrido podrían incluir una
mezcla de planes detallados y flexibilidad para adaptarse. Algunos datos, como
los costos y los plazos, pueden planificarse al principio, mientras que otros
aspectos, como los requisitos detallados, pueden evolucionar a lo largo del
proyecto. Los datos se recogen y utilizan tanto para garantizar que el proyecto
siga el plan inicial como para adaptarse a los cambios.

LA GESTIÓN DE DATOS EN EL PMBOK 7ª EDICIÓN

La Guía del PMBOK del PMI, en su séptima edición, sitúa a los datos como un
componente esencial en la gestión de proyectos, subrayando que su verdadero valor
radica no tanto en su mera recopilación sino en su análisis y utilización estratégica para
impulsar acciones relevantes. El PMBOK 7 recalca que los datos deben ser un motor
para generar discusiones productivas entre el equipo de proyecto y los stakeholders, y
no solo para producir informes de estado.
En cuanto a los “activos de datos”, el PMBOK 7 incluye una variedad de elementos como
bases de datos, bibliotecas de documentos, métricas y artefactos de proyectos
anteriores. Estos activos, junto con los métodos para recopilar, valorar y evaluar la
información, ofrecen una visión profunda de la situación del proyecto y su contexto.
Un punto por destacar es el énfasis que el PMBOK 7 pone en la visualización de datos.
Los tableros de control, que proporcionan una representación gráfica del estado de los
datos, son identificados como una herramienta común y eficaz. Permiten resumir datos
de alto nivel y facilitan un análisis detallado, ayudando así a tomar decisiones
informadas.
Otro aspecto relevante en la Guía es la continua necesidad de capturar y reportar datos
que se relacionan con la materialización de beneficios, tanto durante el proyecto como
después de su finalización. Esto alinea la gestión de datos con la gestión de beneficios,
uno de los aspectos clave en la gestión de proyectos moderna.
Finalmente, el PMBOK 7 recalca que la medición y visualización de datos deben tener
como finalidad el aprendizaje y la mejora. Las mediciones deben permitir que el equipo
de proyecto aprenda, facilite decisiones, mejore el rendimiento del producto o proyecto,
ayude a prevenir problemas y evite el deterioro del rendimiento. En otras palabras, el
análisis de datos debe usarse como una herramienta de mejora continua, contribuyendo
al valor de negocio y al logro de los objetivos y metas del proyecto.
Considerando que la gestión de datos está implícitamente contenida y es fundamental
en varios dominios de desempeño, no sería extraño que, ante la creciente tendencia por
la digitalización y la gestión de proyectos basada en datos, se justifique la inclusión de

Página 4 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
la gestión de datos como un dominio de desempeño específico en futuras versiones del
PMBOK.

PROYECTOS DATA DRIVEN

Los proyectos "Data Driven" o "Impulsados por Datos" se refieren a aquellos donde los
líderes y equipos de proyecto utilizan datos para fundamentar todas sus decisiones
estratégicas y operativas. Estos proyectos recopilan y analizan datos de diversas
fuentes para guiar su planificación, implementación y evaluación.
Este enfoque puede llevar a una mejora significativa en los resultados del proyecto. Por
ejemplo, puede permitir la identificación temprana de problemas y oportunidades, la
optimización del uso de recursos, la mejora de la eficiencia y la efectividad, y una mayor
capacidad para predecir y gestionar riesgos. Esto se debe a que las decisiones están
basadas en datos e información real y objetiva, en lugar de depender únicamente de la
intuición o la experiencia personal.
El uso de datos puede ser especialmente útil en proyectos complejos y de gran escala,
donde las decisiones a menudo tienen implicaciones significativas y donde los datos
pueden proporcionar una visión clara y objetiva del rendimiento del proyecto dentro de
un sinnúmero de variables.
Sin embargo, cualquier proyecto, independientemente de su tamaño o naturaleza,
puede beneficiarse de un enfoque Data Driven. Es importante recordar que ser Data
Driven no sólo se trata de recopilar datos, sino también de ser capaz de analizar y utilizar
esos datos de manera efectiva.

La capacidad de una empresa para adoptar un enfoque "Data Driven" en sus proyectos
es a menudo un indicativo de su madurez en la transformación digital. Cuando los
proyectos son impulsados por datos, las empresas pueden hacer uso de la tecnología
para recoger, analizar y aplicar datos de manera efectiva en la toma de decisiones. Esto
puede conducir a una mejora en la eficiencia, la efectividad y la rentabilidad de las
operaciones de la empresa.

Página 5 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
Con los datos en el centro de las decisiones del proyecto, las empresas pueden ser más
ágiles y flexibles, adaptarse más rápidamente a los cambios en el entorno de negocio y
responder de manera más efectiva a las necesidades y expectativas cambiantes de los
clientes. La siguiente tabla resume algunos de los beneficios que alcanzan los proyectos
data driven:

Beneficio Descripción

El análisis de datos proporcionados que puede ser usado para tomar decisiones
Mejora en la toma
informadas y basadas en hechos, reduce el riesgo de errores en la gestión de
de decisiones
proyectos.

La gestión eficiente de datos puede ayudar a mejorar la productividad del equipo

al facilitar el acceso a la información necesaria y reducir el tiempo gastado en
Mayor eficiencia
buscar o gestionar datos. Conociendo la carga de trabajo de los miembros en el
equipo se puede optimizar y evitar la multitarea.

Una visión clara de los datos del proyecto permite un mejor seguimiento del
Mayor control del progreso y ayuda a identificar rápidamente cualquier desviación del plan
proyecto original. Niveles de madurez avanzadas pueden incluso recibir prescripciones
de acciones a tomar y el consiguiente impacto en diferentes escenarios.

Protección de la
La gestión adecuada de los datos ayuda a garantizar la seguridad de la
privacidad y la
información y el cumplimiento de las leyes de protección de datos.
seguridad

Mejora en la Los datos pueden ser utilizados para facilitar la comunicación dentro del equipo
comunicación y con las partes requeridas, requieren una base objetiva para las discusiones.

Reducción de La gestión eficaz de datos puede ayudar a evitar errores costosos, retrasos y
costos duplicaciones de esfuerzos en el proyecto.

Mayor satisfacción Al permitir una entrega más rápida y precisa de los resultados del proyecto, la
del cliente gestión de datos eficiente puede mejorar la satisfacción del cliente.

Predicción y A través del análisis de datos, los gestores de proyectos pueden recibir alertas
prevención de tempranas y en tiempo real para prevenir posibles problemas, en lugar de
problemas simplemente reaccionar a ellos.

RECOLECTANDO Y ORGANIZANDO DATOS DEL PROYECTO

La arquitectura de datos es clave al proporcionar un marco de referencia integral para
organizar y administrar los datos de manera eficaz y coherente en un proyecto data
driven. Establecer ello desde el comienzo crea un camino ordenado y efectivo para la
gestión de datos en el proyecto ya que:

• Asegura que todos los miembros del equipo comprendan y alineen sus acciones
hacia los mismos objetivos de gestión de datos.
• Facilita el pronto acceso a datos precisos y actualizados, fundamentales para
tomar decisiones eficaces.
• Permite definir protocolos de protección de datos, garantizando el cumplimiento
de las normativas pertinentes.
• Anticipa y atenúa los riesgos asociados como la pérdida o inseguridad de los
datos.

Página 6 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
Asimismo, al plantear la arquitectura de datos temprana, es fundamental considerar
ciertos elementos para garantizar que los estos se gestionen de manera efectiva y que
aporten valor. Aquí diez pasos que podrían ser útiles:
1. Definir los objetivos de la gestión de datos: ¿Qué se espera lograr con la
gestión de datos en este proyecto? Los objetivos pueden variar desde la mejora
de la eficiencia operativa hasta la generación de “insights” para la toma de
decisiones estratégicas.
2. Identificar las fuentes de datos: Determinar de dónde y cómo se van a
recopilar los datos es esencial. Las fuentes de datos pueden ser internas (por
ejemplo, de sistemas ERP, CRM, etc.) o externas (por ejemplo, datos de
mercado, de clientes, etc.).
3. Definir la estructura de los datos: En este paso, se debe determinar cómo se
van a organizar, clasificar y almacenar los datos.
4. Seleccionar las herramientas de gestión de datos: Existen diversas
herramientas de gestión de datos, desde bases de datos tradicionales hasta
soluciones de almacenamiento en la nube y herramientas de análisis de datos
con software como Excel, Tableau, Power BI, entre otros, que no solo permiten
visualizar los datos de manera efectiva, sino que también realizan análisis
predictivos y prescriptivos.

Tablero de Tableau mejorado con predicciones de AIble1

1 Los colores morados en el gráfico de barras son oportunidades que los modelos de aprendizaje automático de Aible
han identificado como rentables para cada una de las diez oportunidades principales, dadas las compensaciones
particulares de costo-beneficio y las limitaciones de capacidad del negocio.
El diagrama de dispersión muestra cada oportunidad rentable que Aible ha identificado, coloreada por el tipo de
cliente. Haciendo clic en cualquiera de los puntos se obtiene una ventana emergente que explica exactamente quién
es el cliente objetivo, el valor del trato, los factores que mejoran o reducen la probabilidad de una venta y, lo más
importante de todo, la acción recomendada, ya sea para continuar o no con el trato.
El panel del extremo derecho muestra la extensión Aible en acción. En este ejemplo, el usuario ejecuta un escenario
hipotético basado en cuatro controladores de modelo: tipo de cliente (existente), región, tamaño de la empresa
(grande) y tipo de acuerdo (renovación).

Página 7 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
5. Crear un plan de gestión de la calidad de los datos: Implica definir los
estándares de calidad de los datos, implementar procesos para limpiar y validar
los datos, y desarrollar mecanismos para controlar y mejorar la calidad de los
datos a lo largo del tiempo.
6. Definir un plan de seguridad de los datos: Es un aspecto crítico que debe
incluir medidas para proteger los datos de accesos no autorizados, pérdida de
datos y otros riesgos. Se debe considerar la encriptación de los datos, el uso de
contraseñas y controles de acceso, y la realización de copias de seguridad. Los
datos corruptos o alterados pueden llevar a decisiones equivocadas. También
debe incluir medidas para cumplir con las regulaciones de privacidad y
protección de datos.
7. Definir la gobernanza de los datos: Quién será responsable de los datos, cómo
se administrarán y quién tendrá acceso a ellos.
8. Planear la integración y el intercambio de datos: En muchos proyectos, los
datos necesitarán integrarse con otros sistemas o compartirse con otras partes
interesadas. En este paso, se deben definir las estrategias y herramientas para
la integración y el intercambio de datos.
9. Definir los procesos de mantenimiento y actualización de datos: Los datos
deben mantenerse actualizados y relevantes para continuar aportando valor al
proyecto.
10. Implementar la arquitectura de datos: Finalmente, una vez que se han definido
todos estos elementos, se puede implementar la arquitectura de datos.
Este es un proceso iterativo que puede requerir ajustes y modificaciones a medida que
evoluciona el proyecto. La arquitectura de datos debe ser flexible y escalable para
adaptarse a las necesidades cambiantes del proyecto.

PROYECTOS DATA DRIVEN: TRANSFORMANDO INDUSTRIAS

Los proyectos basados en datos, a diferentes niveles de intervención, están liderando
una revolución en múltiples sectores y transformando las formas convencionales de
operar. En el campo de la construcción, la metodología BIM ha introducido el concepto
del "Common Data Environment" (CDE), un repositorio unificado y coherente para todos
los datos y la información del proyecto, minimizando las inconsistencias y promoviendo
la colaboración efectiva entre los equipos.
En el sector de desarrollo de software, el análisis de datos se utiliza para optimizar las
metodologías ágiles, monitoreando métricas cruciales para mejorar los procesos y el
rendimiento. Barceló Hotel Group es otro ejemplo destacado, donde la adopción de
estrategias basadas en datos en el sector hotelero ha resultado en una mejorada
experiencia del cliente y márgenes más sólidos, destacando el poder transformador de
la Inteligencia Artificial y el Big Data en la toma de decisiones estratégicas.
Las compañías de diversos sectores, como Zara, Coca-Cola, Apple, Nike, L'Oréal y
Spotify, han incorporado también el análisis de datos en sus operaciones, optimizando
productos, experiencias de usuario, gestión de inventarios y predicción de tendencias
con resultados impresionantes.

Página 8 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
Los proyectos data driven no solo están redefiniendo la competencia en el mercado,
sino también moldeando nuestras ciudades. "Implementing Data-Driven Strategies in
Smart Cities" (2021) es una obra clave que demuestra cómo el Big Data, la ciencia de
datos y el Internet de las Cosas están facilitando la transformación de ciudades
alrededor del mundo. Con estudios de caso de ciudades como Barcelona a Zúrich, el
libro ilustra el poder y el potencial de los proyectos basados en datos en la
transformación urbana.
A pesar de estos éxitos, los desafíos persisten. Como señala un artículo de Harvard
Business Review (2023), construir una cultura data driven exige constancia y valor. El
tránsito hacia una organización orientada a los datos no es inmediato, requiere
compromiso y la audacia para desafiar paradigmas existentes. Estos proyectos ilustran
no solo el poder de los datos, sino también la importancia de la resiliencia en la era
digital.

INNOVANDO CON DATOS

La innovación a través de datos inexplorados puede ser uno de los campos más
emocionantes en el mundo de la gestión de proyectos. Los datos inexplorados, también
conocidos como "datos oscuros", son todas aquellas fuentes de información que se
generan durante el curso de un proyecto pero que no se utilizan en la toma de decisiones
o análisis. Estos pueden incluir datos de registro, archivos de texto no estructurados,
imágenes, vídeos, correos electrónicos y mucho más.
Aprovechar estos datos puede aportar una serie de beneficios significativos, tales como:

• Descubrimiento de nuevas oportunidades: Los datos oscuros pueden revelar

patrones y tendencias que anteriormente se pasaban por alto, lo que puede abrir
nuevas oportunidades para la mejora del proyecto.

• Optimización del rendimiento: A través del análisis de datos oscuros, se

pueden identificar ineficiencias o cuellos de botella en los procesos que, una vez
abordados, pueden resultar en mejoras significativas en el rendimiento del
proyecto.

• Mitigación de riesgos: Los datos oscuros pueden proporcionar una visión más
profunda de los riesgos potenciales que pueden afectar a un proyecto. Esto
puede ayudar a los gestores de proyectos a tomar medidas preventivas y a estar
mejor preparados para enfrentar los desafíos que puedan surgir.

• Mejora de la toma de decisiones: Al proporcionar una visión más completa de

todas las variables del proyecto, los datos oscuros pueden enriquecer el proceso
de toma de decisiones, llevando a decisiones más informadas y efectivas.
Para aprovechar estos beneficios, es fundamental contar con las herramientas y
competencias necesarias para manejar y analizar grandes volúmenes de datos no
estructurados. Además, se requiere una mentalidad orientada a la experimentación y la
exploración, ya que trabajar con datos oscuros implica adentrarse en territorios
inexplorados y encontrar nuevas formas de extraer valor de la información.

Página 9 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
DATA DRIVEN TEAMS
Independientemente del sector o industria al que corresponda, un proyecto basado en
datos ("Data Driven") suele requerir un equipo diverso y multidisciplinario con un amplio
enfoque tecnológico para garantizar que todos los aspectos del proyecto se gestionen
de manera efectiva. Aquí hay algunos tipos de profesionales que podrían formar parte
de este equipo:

• Analista de Datos / Científico de Datos ("Data Analyst" / "Data Scientist"):

Responsables de analizar los datos del proyecto, desarrollar modelos y
algoritmos para extraer conocimientos de los datos, y presentar estos hallazgos
de una manera comprensible.

• Ingeniero de Datos ("Data Engineer"): Encargado de diseñar, construir y

mantener la arquitectura de datos. Trabajan en la preparación de los datos para
el análisis y se aseguran de que los datos estén disponibles y sean accesibles.
Adicionalmente, considerando que el equipo específico puede variar dependiendo de la
naturaleza, la magnitud y los requisitos del proyecto se debe evaluar contar también con
los siguientes expertos:

• Experto en Negocios ("Business Expert"): Profesional con conocimiento

profundo en entender y comunicar las necesidades del negocio en la que se está
trabajando en el proyecto. Puede traducir los resultados del análisis de datos en
acciones concretas que aporten valor al negocio.

• Experto en UX/UI: Profesional que puede diseñar interfaces de usuario efectivas

para presentar los datos y los hallazgos del análisis de una manera que sea fácil
de entender para los usuarios finales.

• Desarrollador de Software ("Software Developer"): Encargado de

implementar las soluciones basadas en los resultados del análisis de datos. Esto
implica la creación de nuevos sistemas o la modificación de los existentes.

• Especialista en Seguridad de la Información: Asegura que los datos se

manejen de manera segura y se adhieran a todas las leyes y regulaciones
pertinentes.

• Experto en Aprendizaje Automático ("Machine Learning Expert"): Si el

proyecto implica modelos de aprendizaje automático o inteligencia artificial, este
especialista trabajará en el desarrollo, formación y validación de estos modelos.

LO QUE VIENE…
En un futuro, podemos esperar que la gestión de datos en la gestión de proyectos se
vuelva aún más integral y crítica para el éxito del proyecto. A medida que las tecnologías
de la información y la analítica avancen, se desarrollarán más técnicas y herramientas
para facilitar la recolección, el análisis y la utilización de los datos.
La inteligencia artificial y el aprendizaje automático, en particular, tienen el potencial de
transformar la gestión de datos del proyecto, permitiendo un análisis de datos más
complejos y precisos, y exigen una mayor capacidad para predecir resultados de
proyectos y tomar decisiones basadas en datos.

Página 10 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
Además, el aumento creciente en la privacidad y la seguridad de los datos significa que
las técnicas de protección y eliminación segura de datos se volverán cada vez más
importantes en la gestión de datos del proyecto.
Por ende, es crucial que los líderes de proyecto continúen perfeccionando sus
conocimientos y competencias en la gestión de datos (también parte del llamado
coeficiente tecnológico), con el objetivo de mantenerse actualizados ante los avances
tecnológicos y optimizar así la eficacia y prosperidad de sus proyectos.
Mientras se aproximan los siguientes desafíos, los invito a considerar cómo administrar
el flujo constante de datos que se generan en cada fase de sus proyectos y cómo cada
fragmento de información puede ser aprovechado al máximo.

¡Una gestión de datos efectiva no debe ser considerada un complemento, sino

un componente esencial de la estrategia del proyecto capaz de propulsar su
eficiencia a niveles insospechados!

Página 11 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
REFERENCIAS
1. McKinsey & Company. (2021). The data-driven enterprise of 2025.
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-data-
driven-enterprise-of-2025
2. AlOwaish, M. B., y Redman, T. C. (2023). What does it actually take to build a
data-driven culture? Harvard Business Review. https://hbr.org/2023/05/what-
does-it-actually-take-to-build-a-data-driven-culture
3. Zamora, J., Valor Sabatier, J., Ricart, J. E., Infante Middleton, N., Guerra Cortada,
T., y Pérez Tejada, J. L. (2022). Estudio IESE-Penteo. Índice data-driven:
Diagnóstico de la transformación digital en organizaciones impulsadas por los
datos. IESE Business School. https://media.iese.edu/research/pdfs/ST-0630
4. (2022). Analítica de datos: Una tendencia para la toma de decisiones
empresariales en las organizaciones. Recuperado de:
https://hdl.handle.net/10901/24140.
5. Merkatu. (2020). Dossier industria ayudas IA.
https://www.merkatu.com/images/Dossier-industria-ayudas-IA.pptx.pdf
6. Repsol. (s. f.). Data driven: la revolución de los datos.
https://www.repsol.com/es/energia-futuro/tecnologia-innovacion/data-
driven/index.cshtml
7. Business Intelligence. (s. f.). Datos, información y conocimiento.
https://www.businessintelligence.info/dss/datos-informacion-conocimiento.html
8. ESIC Business & Marketing School. (2020). Data driven: qué es y cómo
implementarlo en un proyecto hotelero.
https://www.esic.edu/rethink/tecnologia/data-driven-que-es-y-como-
implementarlo-en-un-proyecto-hotelero
9. Project Management Institute. (2021). A guide to the project management body
of knowledge (PMBOK® guide) (7th ed.). https://www.pmi.org/pmbok-guide-
standards/foundational/pmbok
10. DAMA International. (2020). La guía del conocimiento para la gestión de datos
(DAMA-DMBOK2) (2a. ed.). Technics Publications.
https://www.dama.org/cpages/body-of-knowledge
11. Tableau. (2020). Tendencias de datos para 2020. https://www.tableau.com/es-
es/reports/data-trends/2020
12. Steeg, D., y Maris, R. (2020). Infuse your Tableau dashboard with real-world AI
and machine learning from Aible. Tableau. https://www.tableau.com/blog/infuse-
your-tableau-dashboard-real-world-ai-and-machine-learning-aible
13. Kanbanize. (s. f.). ¿Qué es un límite WIP de Kanban? ¿Por qué lo necesita?
https://kanbanize.com/es/recursos-de-kanban/primeros-pasos/que-es-limite-wip
14. Prieto, B. (2022). Data driven: la importancia de los datos en la nueva realidad.
KPMG Tendencias. https://www.tendencias.kpmg.es/2022/03/data-driven-
importancia-datos-nueva-realidad/

Página 12 de 13
“Proyectos Data Driven” Ysmael Ormeño Zender
15. Castelan, J. (2022). 15 casos de éxito de Big Data en el mundo. Crehana.
https://www.crehana.com/blog/transformacion-digital/big-data-casos-de-exito/
16. Prieto, B. (2022). Data driven: la importancia de los datos en la nueva realidad.
KPMG Tendencias. https://www.tendencias.kpmg.es/2022/03/data-driven-
importancia-datos-nueva-realidad/
17. Grimaldi, D., & Carrasco-Farré, C. (2021). Implementing Data-Driven Strategies
in Smart Cities: A Roadmap for Urban Transformation. Elsevier.
https://doi.org/10.1016/C2019-0-01442-2

ACERCA DEL AUTOR

Ing. Ysmael Ormeño Zender, PMP, PMO-CP, SMPC
Profesional con una sólida formación académica en Gestión y Administración de la
Construcción (UNI) y Gestión Pública (UTP).

Ex presidente del PMI Lima Perú Chapter, ha dedicado su carrera a promover

excelentes prácticas de gestión de proyectos. A lo largo de más de dos décadas,
ha liderado portafolios de proyectos en múltiples sectores, especializándose en la
gestión de proyectos multidisciplinarios en áreas como edificaciones,
infraestructura pública, educación, retail y medio ambiente.

En su cargo actual como Gerente de Operaciones en Activos Mineros S.A.C., supervisa la remediación de
pasivos ambientales mineros en 11 regiones de Perú. Además, comparte sus conocimientos del PMBOK®
y principios ágiles a nivel nacional como conferencista y facilitador, centrándose en la implementación y
mejora de la PMO.

ing.ysmaeloz@gmail.com

www.linkedin.com/in/ysmaelormeñozender

https://oficinadegestiondeproyectos.com

Página 13 de 13