Impacto, viabilidad, dependencias y estrategia
Una fórmula sencilla para no perderse a la hora de priorizar proyectos
En mi anterior artículo comentaba que había pasado un par de procesos de selección antes de aterrizar en mi actual trabajo. Uno de ellos, y que me gustó bastante, fue para el puesto de Director of Data Engineering en Mews. Pasé las cuatro entrevistas, con mánagers, directores y VP de ingeniería. Pero al final se decidieron por mi otro contrincante — para bien o para mal.
En una de las entrevistas, tuve que presentar un caso de estudio para montar una plataforma de datos. Además, también pedían aplicar alguna metodología para priorizar proyectos.
Y aquí está la clave. El responsable de data engineering en una empresa trabaja con prácticamente todos los departamentos, porque todos tienen alguna necesidad de procesar y tomar decisiones basadas en datos. Pero la capacidad del equipo es limitada, así que es fundamental saber priorizar y trabajar con los responsables de negocio para buscar soluciones: ofrecer alternativas o pedirles que esperen su turno en la cola. Es decir, saber decirles que ahora mismo sus proyectos NO son prioritarios. No saber navegar estas aguas significa saturar al equipo, que no cumplan con los plazos de entrega y hundir su reputación. Además del efecto negativo que la presión constante puede tener en ellos.
Los proyectos propuestos
Los tres proyectos de alto impacto que me propusieron para priorizar eran:
Proyecto A: Marketing solicita una segmentación en tiempo real de clientes para personalizar campañas de email basadas en comportamiento de usuario y preferencias.
Proyecto B: El equipo de producto quiere implementar un modelo de machine learning para personalizar recomendaciones de productos en la web.
Proyecto C: El equipo de finanzas necesita métricas financieras fiables y KPIs en un dashboard central para ayudar en las decisiones ejecutivas.
Los criterios de priorización
El método que apliqué fue sencillo y efectivo. Usé un Weighted Scoring Model, una técnica de puntuación ponderada. Para no complicar demasiado el ejercicio, me quedé con cuatro criterios fáciles de entender. Lógicamente, estos criterios pueden variar de una empresa a otra, y tener más matices. Pero en líneas generales, tampoco creo que cambiaran mucho el resultado final. Estos criterios eran:
Impacto (35%): incluye beneficios directos para el negocio (económico, reputacional, etc.), urgencia y efectos indirectos como la reputación del equipo.
Viabilidad (25%): complejidad técnica y recursos necesarios.
Dependencias (20%): si el proyecto habilita o no otros proyectos futuros.
Alineación estratégica (20%): conexión con los objetivos u OKRs de la empresa.
Cada criterio se evalúa en una escala de 1 a 5, y luego se pondera según su peso:
impacto × 0.35 + viabilidad × 0.25 + dependencias × 0.2 + estrategia × 0.2 = valor entre 1 y 5.
¿Pero no debería la alineación estratégica ser más importante? No necesariamente. Aunque la estrategia marca la dirección, darle un peso excesivo podría hacer que se prioricen proyectos muy alineados con los OKRs pero de bajo impacto o difícil viabilidad. Visto de otra forma, entre dos proyectos de alto impacto y viabilidad, el que se alinea mejor con la estrategia de la empresa tendrá más prioridad.
La evaluación de los proyectos
Proyecto A: Segmentación en tiempo real
impacto = 4: Tiene un efecto positivo en la conversión de campañas.
viabilidad = 3: Requiere un sistema complejo de pipelines y data streaming.
dependencias = 2: No abre muchas puertas a futuros proyectos, salvo otros de naturaleza similar.
estrategia = 3: Contribuye a ingresos y puede estar ligeramente ligados a OKRs de crecimiento.
Puntuación final: 3.15
Proyecto B: Recomendaciones con ML
impacto = 4: Afecta al core del negocio: upselling, retención, NPS.
viabilidad = 2: Requiere un esfuerzo elevado, con una solución compleja de poner en producción y de operar. Además de personal altamente cualificado.
dependencias = 3: Puede servir de base para más proyectos de personalización o de machine learning.
estrategia = 5: Directamente ligado a los OKRs de experiencia de usuario.
Puntuación final: 3.5
Proyecto C: Dashboard financiero
impacto = 5: Fundamental para decisiones ejecutivas y control de costes. Refuerza la reputación del equipo de data engineering (importante para asignación de budgets futuros).
viabilidad = 4: Consolidar métricas y dashboards es un reto, pero factible en un plazo razonable con las herramientas adecuadas.
dependencias = 4: Establece bases de calidad de datos para toda la organización.
estrategia = 4: Siempre aparece en objetivos de eficiencia y escalabilidad.
Puntuación final: 4.35
Conclusiones
Con este sistema, el dashboard financiero gana al modelo de recomendaciones con ML, mientras que la segmentación en tiempo real se queda claramente detrás.
Y lo más interesante: al final no se trata solo de “qué da más dinero”, sino de un equilibrio entre impacto, viabilidad, dependencias y alineación estratégica (que han sido mis criterios). La realidad es un poco más compleja, y cada empresa puede ajustar los criterios y pesos según su contexto, pero lo importante es tener un marco común para decidir con objetividad y transparencia. Aunque todo parezca prioritario, hay algunas cosas que lo son (mucho) más que otras si se miden con las reglas adecuadas.
En mi caso, la propuesta gustó porque transmitía justo eso: claridad, simplicidad y un método repetitivo.
¡Muchas gracias por leeerme!
Me ha encantado el post. Mejor explicado, imposible.