¿Quién hace qué en un proyecto de datos? Esa pregunta, aparentemente simple, define si tu equipo entrega valor o se queda atrapado en reuniones eternas. Aquí vas a entender los roles clave en un equipo de datos, cómo distribuir responsabilidades con la matriz RACI y qué stack tecnológico elegir según el problema que estés resolviendo.

Muchos proyectos no fracasan por falta de talento ni de presupuesto. Fracasan porque nadie sabe quién toma decisiones, quién ejecuta y quién solo debería estar enterado. Vamos a poner orden.

¿Cuáles son los roles clave en un equipo de datos?

Cada perfil aporta algo distinto y, cuando entiendes qué hace cada uno, dejas de pedirle peras al olmo.

• Analista de datos: trabaja con datos que ya existen, genera reportes y dashboards, y responde preguntas del negocio.
• Data scientist: va más allá del reporte. Crea modelos predictivos, identifica patrones complejos y experimenta con nuevas fuentes de datos.
• Machine learning engineer: toma esos modelos y los lleva a producción. Se asegura de que funcionen en la vida real, no solo en el notebook.
• MLOps: hace que todo lo anterior escale. Automatiza, monitorea y mantiene los sistemas funcionando de forma continua.
• Data steward: cuida la calidad, definición y documentación de los datos. Es quien te dice qué significa cada columna, de dónde viene y cómo se usa.
• Product owner: define la visión del proyecto, prioriza y alinea con negocio. No necesita dominar todo lo técnico, pero sí debe tener claro qué problema estás resolviendo.

¿Cuál es la diferencia entre un data scientist y un machine learning engineer? El data scientist construye y experimenta con modelos predictivos. El machine learning engineer se encarga de que esos modelos funcionen en producción, de manera estable y escalable [02:15].

¿Por qué ningún rol trabaja solo?

Los proyectos de datos son colaborativos por naturaleza. El analista necesita al data steward para validar fuentes, el data scientist necesita al ingeniero de ML para llevar el modelo a producción, y todos necesitan al product owner para no perder de vista el problema de negocio. Cuando esa colaboración no tiene reglas claras, se vuelve caos.

¿Cómo aplicar la matriz RACI en proyectos de datos?

La matriz RACI es una herramienta sencilla que asigna responsabilidades sin ambigüedad. Cada letra representa un tipo de involucramiento en una tarea o decisión.

• R de Responsable: quien hace el trabajo.
• A de Aprobador: quien toma la decisión final.
• C de Consultado: quien debe opinar antes de ejecutar.
• I de Informado: a quien solo hay que mantener al tanto.

Imagina que estás creando un dashboard de churn. El analista de datos es el responsable de construirlo, el product owner es quien lo aprueba, el data steward es consultado para validar las fuentes y alguien del equipo de ventas queda informado del resultado. Así, nadie pisa el trabajo del otro y nadie se entera tarde.

¿Para qué sirve la matriz RACI? Sirve para definir, en cada tarea de un proyecto, quién ejecuta, quién aprueba, quién opina y quién recibe información. Evita duplicidades, cuellos de botella y decisiones tomadas por la persona equivocada [03:10].

¿Cómo armar tu propia matriz RACI?

Lista las tareas principales del proyecto en filas y los roles en columnas. Para cada tarea, asigna una sola R y una sola A, y todas las C e I que necesites. Si una tarea tiene tres responsables, en realidad no tiene ninguno.

¿Qué stack de datos necesitas según el proyecto?

El stack es el conjunto de tecnologías que vas a usar. No hay una receta única, pero sí hay patrones que se repiten según el tipo de trabajo.

• Data warehouse: almacena grandes volúmenes de datos históricos bien estructurados. Es la base para análisis y reportes a escala.
• Notebooks como Jupyter: ideales para explorar, limpiar datos y construir modelos. Espacio natural del trabajo técnico y experimental.
• Herramientas de Business Intelligence como Power BI o Tableau: visualizan resultados y permiten que el negocio tome decisiones sin saber código.

Elegir el stack no es solo una decisión técnica, es estratégica. Pregúntate: ¿necesitas velocidad o profundidad? ¿Exploración o automatización? ¿Visualización o modelado puro? La respuesta define qué herramientas tienen sentido para ti.

¿Qué pasa si eliges mal el stack?

Terminas pagando por capacidades que no usas o, peor, peleando con herramientas que no resuelven tu problema. Un equipo que solo necesita reportes mensuales no necesita un pipeline de MLOps. Un equipo que entrena modelos en tiempo real no se conforma con un dashboard estático.

¿Cuál es el reto práctico de esta clase?

De la clase 10 a la 20 vas a construir entregables conectados entre sí, que culminan en un dashboard o un reporte estratégico. El contexto es este: trabajas como analista de negocio en una empresa de servicios digitales y el churn, es decir, el abandono de clientes, ha aumentado en los últimos meses.

Tu reto específico ahora es:

1. Crea un mapa rápido de los roles que hay en tu organización o en un proyecto donde estés trabajando.
2. Asigna responsabilidades usando el modelo RACI: quién decide, quién ejecuta, quién es consultado y quién es informado.
3. Si no tienes un equipo real, imagina el equipo ideal para liderar un proyecto de análisis de clientes.

Puedes subir tu tabla RACI como imagen o copiarla en los comentarios. Cuéntame cómo distribuiste los roles y qué decisiones te costaron más definir.