El Editorial Freelance de este mes recoge ideas de nuestra increíble comunidad de expertos. Las opiniones expresadas en este artículo son responsabilidad exclusiva del autor y se publican con el objetivo de promover la diversidad de perspectivas e ideas.
Descubra cómo un experto en modelado de datos abordó los retos de la elaboración de informes globales, unificando diversas prácticas y creando soluciones preparadas para el futuro para una aseguradora multinacional.
En 2010, leí sobre Dan Linstedt y su trabajo en Internet, y ya me había familiarizado con
Data Vault 1.0 a través de un proyecto de trabajo. A medida que aprendía más sobre su
trabajo, rápidamente me inspiré en esta forma de modelar. Por aquel entonces, trabajaba
como desarrollador para apoyar un proyecto de Data Vault implementado en Oracle. En
2018, cuando me encontraba en Alemania, me enteré de un campamento de
entrenamiento que me enseñaría Data Vault 2.0 en detalle. También me daba la
oportunidad de aprobar un examen para obtener una certificación. . Después del
campamento de entrenamiento, me tomé un tiempo para preparar el examen y conseguí la
certificación de Data Vault 2.0 Practitioner. En el transcurso de los años siguientes, trabajé
en proyectos de Data Vault, desde Consultor en un POC, hasta desarrollador de datos en
varias ocasiones. También realicé proyectos de Ingeniería de Datos, Ingeniería de Datos
en Python, y proyectos de Migración de Datos.
Entre febrero de 2022 y septiembre de 2024, tuve la oportunidad de trabajar en un proyecto
de modelado de datos que formaba parte de una iniciativa global para una gran
organización aseguradora en su sede central del grupo en Alemania. El objetivo era
ambicioso: racionalizar la elaboración de informes para la dirección de carteras en
más de 10 entidades operativas (EO), organizaciones aseguradoras de este gran
grupo, cada una con sede en un país diferente, con su propio conjunto de prácticas
empresariales de seguros únicas, las prácticas de seguros de ese país, y por tanto
un conjunto único de KPI de elaboración de informes. El reto: habilitar el Grupo de
Informes en la Oficina de Datos del Grupo, para la Dirección de Cartera.
"El objetivo era ambicioso: racionalizar la elaboración de informes para la dirección de carteras en más de 10 entidades operativas (EO), organizaciones aseguradoras de este gran grupo, cada una con sede en un país diferente...""
El primer obstáculo fue la enorme diversidad de las prácticas de negocio de seguros entre
las OE. Cada región tenía sus propias formas de trabajar y de medir el éxito, lo dificultaba
la unificación de los datos en un modelo único y cohesionado. A esto se sumó la necesidad
de adherirse a la metodología Data Vault 2.0 y alinearse con una Ontología Empresarial
global, garantizando que cada dato encajara en un marco coherente y estandarizado. Todo
ello debía anclarse en un Glosario Empresarial de Grupo (GBG) que definiera y
estandarizara los campos de datos empresariales críticos.
Aprovechar las experiencias pasadas
Afortunadamente, vine preparada. Mi experiencia con Data Vault 2.0 me ayudó a
comprender fácilmente la Ontología Empresarial de Grupo de esta gran empresa de
seguros, queabarcaba varios Dominios de Seguros. Trabajar para mejorar el Modelo de Datos del
Grupo, añadiendo nuevos ámbitos, implicó talleres y entrevistas con expertos en la materia
(PYMES) del negocio. Estas sesiones fueron cruciales para comprender los matices de sus
requisitos empresariales, sus datos empresariales y sus objetivos de elaboración de
informes, desde las terminologías que utilizaban hasta la forma en que operan en el día a
día, pasando por la comprensión de sus antecedentes para los requisitos. Traduje estas
percepciones de los requisitos empresariales, que pude aclarar a partir de los Talleres y las
sesiones de entrevistas, en definiciones claras de Modelado, GBG, y las incorporé al
producto final: el modelo de datos y las normas de datos.
Una de las contribuciones más impactantes que hice fue la elaboración de una Guía de
Mapeo de Datos exhaustiva. Este documento se convirtió en un recurso de referencia para
las OE, ya que explicaba los objetivos, las expectativas de granularidad de los datos y las
relaciones necesarias para la alineación. También incluía ejemplos prácticos para que las
directrices fueran más fáciles de seguir, lo que redujo significativamente los malentendidos
durante la implementación. Además, llevé a cabo varias sesiones de incorporación de OE,
dando a los representantes de OE la oportunidad de hacer preguntas y transmitir sus
comentarios u obstáculos en su aplicación del Modelo de Datos y las Normas de Datos.
No hay proyecto sin sorpresas. Uno de los retos más memorables fue cómo
gestionaban los OE los datos de direcciones. En lugar de tener una visión unificada, las
direcciones de las OE estaban dispersas en varios sistemas: las direcciones de los
asegurados en los sistemas de gestión de pólizas, las direcciones de los siniestros en los
sistemas de gestión de reclamaciones y las direcciones de facturación se gestionaban por
separado. Cuando propusimos consolidarlas en una sola entidad con identificadores
únicos, algunas OE se opusieron, argumentando que era poco práctico, sobre todo en
entornos multilingües. En realidad, les resultaba difícil extraer y unificar las direcciones.
Para responder a sus preocupaciones, propuse una solución preparada para el futuro en la
próxima versión del modelo: enriquecer los datos de las direcciones con la latitud y la
longitud para que sirvieran de identificadores únicos. Aunque este enfoque requería un
compromiso a largo plazo, ayudó a aliviar las preocupaciones inmediatas y nos permitió
avanzar.
Otro reto provenía de las distintas infraestructuras de datos entre las OE. Mientras algunas
utilizaban plataformas modernas como Snowflake, otras dependían de sistemas heredados,incluidos los mainframes. Esta disparidad significaba que las métricas clave, como la prima bruta suscrita PBA), a menudo no estaban disponibles de forma coherente. En algunos
casos, había que utilizar sustitutos, lo que requería una validación adicional para garantizar
la exactitud.
Navegar por puntos de vista diversos
Las diferencias en la forma en que los grupos de negocio veían los datos añadían otra
capa de complejidad. Por ejemplo, la Oficina de Datos del Grupo, donde yo trabajaba, daba
prioridad a una perspectiva de suscripción (UWY), mientras que otros se centraban en las
métricas contables (ACY). Esto dio lugar a otro conjunto de sesiones, alinear estos puntos
de vista requirió un trabajo detallado, la creación de ejemplos, comparaciones y
explicaciones, lo que permitió llegar a un consenso. Estas sesiones requirieron mucho
tiempo, pero también fueron gratificantes al mismo tiempo.
Integrar modelos 3NF antiguos en el marco Data Vault también resultó complicado. Algunos
de estos modelos estaban basados en XML, con relaciones que no se correspondían
claramente con la nueva ontología. En este caso, mi papel fue más allá de la
implementación técnica: tuve que guiar al equipo a través de las complejidades de conciliar
estas diferencias manteniendo la integridad del modelo unificado.
"No hay proyecto sin sorpresas. Uno de los retos más memorables fue cómo gestionaban los OE los datos de direcciones.""
A medida que el proyecto crecía, se incorporaron más miembros del equipo interno. Aunque
esto amplió la capacidad, también introdujo retos, ya que estos miembros del equipo
estaban más familiarizados con el modelado 3NF que con Data Vault. Esto requirió mucha
paciencia y colaboración por mi parte. Creé ejemplos detallados, documentación y
validaciones de mapeo para poner a todo el mundo al día y garantizar la coherencia en todo
el equipo. A pesar de estos obstáculos, al final el esfuerzo de colaboración mereció la pena.
Al concluir el proyectoentregamos un sólido modelo de datos unificado que:
1. Informes de datos estandarizados: Datos consolidados de diversas fuentes en un
marco cohesivo, haciendo que los informes de grupo sean más fiables.
2. Mejora de la calidad de los datos: Abordamos las discrepancias mediante la
deduplicación y la agrupación, mejorando la capacidad de toma de decisiones.
3. Mayor preparación para el futuro: Diseñado para adaptarse a la evolución de las
necesidades empresariales y a los casos de uso de la analítica avanzada.
4. Cumplimiento facilitado: Garantizó la alineación con el GDPR y las
normas de gobernanza interna mediante definiciones claras y acceso
controlado.
Este proyecto reforzó mi creencia en el poder del modelado reflexivo de datos para
superar incluso los retos más complejos. También puso de relieve la importancia de la
adaptabilidad y la comunicación eficaz cuando se trabaja con diversas partes interesadas.
De cara al futuro, me entusiasma la posibilidad de abordar proyectos que:
- Avanza en el modelado ontológico y aprovecha los grafos de conocimiento para obtener
perspectivas más ricas.
- Resuelve los problemas de datos transfronterizos de las organizaciones globales.
- Se integran perfectamente con los sistemas de IA para permitir el análisis predictivo y la
automatización.
Reflexionando sobre este viaje, me siento increíblemente orgulloso de las soluciones que
hemos creado y del espíritu de colaboración que ha impulsado el éxito del proyecto. Si te
enfrentas a retos similares o quieres preparar tu arquitectura de datos para el futuro,
conectemos y creemos juntos algo extraordinario.
"Este proyecto reforzó mi creencia en el poder del modelado reflexivo de datos para superar incluso los retos más complejos.""
Project Data Manager, Data Vault 2.0 Modeler
