Por: Ysmael Ormeño Zender, PMP, PMO-CP, SMPC.

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 genera una inmensa cantidad de datos que no solo 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, 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.

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 solo 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. 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 de la iniciativa.

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.

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.

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 Data Management Body of Knowledge (DMBOK) de Data Management Association (DAMA), que define un espectro completo de disciplinas que cubren desde la arquitectura, la calidad, hasta la gobernabilidad y la seguridad de datos, 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 mismos, 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 solo se ocupará de cómo se recopilan, almacenan y procesan los datos sino que también se centrará en cómo estos se convierten 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. Aquí se presentan algunos ejemplos comunes:

νDatos de inicio e idea: estos suelen estar relacionados con la visión y la justificación del proyecto. Pueden incluir data de mercado, estudios de factibilidad, requerimientos iniciales, estimaciones de costos y beneficios.

νDatos de clientes y stakeholders: esto podría incluir las expectativas del cliente, los comentarios y los informes de satisfacción del cliente.

νDatos de planificación: incluye el plan del proyecto, el cronograma, los presupuestos y los recursos necesarios, los riesgos identificados y los planes para abordarlos.

νDatos de diseño y desarrollo: estos involucran detalles de diseño, especificaciones técnicas, pruebas, resultados de ensayos, cambios solicitados y aprobados, y comunicaciones entre los equipos.

νDatos de implementación: son lo que se recogen 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.

νDatos 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 y emisión de informes.

νDatos de la gestión de adquisiciones: son las bases de datos de proveedores, cotizaciones, etc., que permiten realizar el análisis de hacer o comprar.

νDatos de rendimiento: Se utilizan para evaluar la calidad y la eficiencia del trabajo realizado.

νDatos de riesgo: incluye los posibles riesgos, categorías y problemas identificados, así como las estrategias de mitigación correspondientes.

νDatos de reclamaciones: los proyectos no están exentos de controversias que requieren de una trazabilidad de datos e información para la defensa de las partes.

νDatos 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 2, advertiremos 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.

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 la forma de gestionarse para maximizar su eficiencia. A continuación, algunas consideraciones:

Enfoque Predictivo: en este el proyecto se planifica en su totalidad antes de que comience la ejecución. Los datos generados y requeridos pueden ser bastante detallados e incluirán aspectos como costos exactos, cronogramas específicos, requisitos del proyecto claramente definidos, planes de calidad y más. La data se recoge, se monitoriza y se controla principalmente para garantizar que el proyecto siga el plan inicial.

Enfoque Adaptativo (o Agile): en estos los proyectos se ejecutan en iteraciones cortas o sprints. Los datos suelen estar más centrados en la velocidad y la flexibilidad. La data clave podría 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.

Enfoque Híbrido: este combina elementos de los enfoques anteriores. Los datos incluyen 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. La data se recoge y utiliza 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 del 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 de beneficios, uno de los aspectos clave en la gestión moderna de proyectos.

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 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 del 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 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 del proyecto utilizan datos para fundamentar todas sus decisiones estratégicas y operativas. Estos 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. 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 la data puede proporcionar una visión clara y objetiva del rendimiento dentro de un sinnúmero de variables.

Sin embargo, cualquier proyecto, independientemente de su tamaño o naturaleza, puede beneficiarse de un enfoque Data Driven, dado que no solo implica recopilar datos, sino también ser capaz de analizar y utilizar la data 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 data 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.

Con los datos en el centro de las decisiones del proyecto, las compañías pueden ser más ágiles y flexibles, adaptarse más rápidamente a los cambios en el entorno del negocio y responder de manera más efectiva a las necesidades y expectativas cambiantes de los clientes. La Tabla 1 resume algunos de los beneficios que alcanzan los proyectos Data Driven.

Recolección y organización de datos 

La arquitectura de datos es clave al proporcionar un marco de referencia integral para organizar y administrar la data 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, ya que:

ν Asegura que todos los miembros del equipo comprendan y alineen sus acciones hacia los mismos objetivos de gestión de datos.

ν Facilita el pronto acceso a datos precisos y actualizados, fundamentales para tomar decisiones eficaces.

ν Permite definir protocolos de protección de datos, garantizando el cumplimiento de las normativas pertinentes.

ν Anticipa y atenúa los riesgos asociados como la pérdida o inseguridad de los datos.

Asimismo, al plantear la arquitectura de datos temprana, es fundamental considerar ciertos elementos para garantizar que 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 pueden ser internas (por ejemplo, de sistemas ERP, CRM, etc.) o externas (por ejemplo, data 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, desde bases de datos tradicionales hasta soluciones de almacenamiento en la nube y programas de análisis con software como Excel, Tableau, Power BI, entre otros, que no solo permiten visualizar la data de manera efectiva, sino que también realizan análisis predictivos y prescriptivos.

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 validarlos y desarrollar mecanismos para controlar y mejorar la calidad de la data a lo largo del tiempo.

6. Definir un plan de seguridad: es un aspecto crítico que debe incluir medidas para proteger los datos de accesos no autorizados, pérdida de data 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 establecer las estrategias y herramientas para la integración y el intercambio.

9. Definir los procesos de mantenimiento y actualización: 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.

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 un libro 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 Barcelona a Zúrich, la obra 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. Estos 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. 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:

νDescubrimiento 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.

νOptimización 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.

νMitigación 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 a tomar medidas preventivas y a estar mejor preparados para enfrentar los desafíos que puedan surgir.

νMejora 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 acciones 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.

Data Driven Teams

Independientemente del sector o industria al que corresponda, un proyecto basado en datos suele requerir un equipo diverso y multidisciplinario con un amplio enfoque tecnológico para garantizar que todos los aspectos se gestionen de manera efectiva. Aquí hay algunos tipos de profesionales que podrían formar parte de este equipo:

ν Analista de Datos / Científico de Datos: responsables de analizar los datos del proyecto, desarrollar modelos y algoritmos para extraer conocimientos y presentar estos hallazgos de una manera comprensible.

ν Ingeniero de Datos: encargado de diseñar, construir y mantener la arquitectura de datos. Trabajan en la preparación de la data para el análisis y se aseguran de que esté disponibles y sea accesible.

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:

ν Experto en Negocios: profesional con conocimiento profundo en entender y comunicar las necesidades del negocio en las que se está trabajando en el proyecto. Puede traducir los resultados del análisis de datos en acciones concretas que aporten valor al negocio.

ν 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.

ν Desarrollador de Software: 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.

ν 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.

ν Experto en Aprendizaje Automático: 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 el desarrollo de proyectos se vuelva aún más integral y crítica para lograr el éxito. 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, permitiendo un análisis más complejo y preciso, y exigen una mayor capacidad para predecir resultados de proyectos y tomar decisiones basadas en datos.

Además, el aumento creciente en la privacidad y la seguridad significa que las técnicas de protección y eliminación segura de data 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!

Bibliografía

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

Analítica de datos: Una tendencia para la toma de decisiones empresariales en las organizaciones. 2022. Recuperado de: https://hdl.handle.net/10901/24140.

Business Intelligence. (s. f.). Datos, información y conocimiento. https://www.businessintelligence.info/dss/datos-informacion-conocimiento.html

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/

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

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

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

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

McKinsey & Company. 2021. The data-driven enterprise of 2025. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-data- driven-enterprise-of-2025

Merkatu. 2020. Dossier industria ayudas IA. https://www.merkatu.com/images/Dossier-industria-ayudas-IA.pptx.pdf

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/

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/

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

Repsol. (s. f.). Data driven: la revolución de los datos. https://www.repsol.com/es/energia-futuro/tecnologia-innovacion/data- driven/index.cshtml

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

Tableau. 2020. Tendencias de datos para 2020. https://www.tableau.com/es- es/reports/data-trends/2020

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