El 60% de los proyectos de datos que heredamos como segunda opinión tenían un problema común: empezaron a construir antes de definir qué decisión de negocio iba a cambiar con esos datos. Equipos con dashboards preciosos, pipelines bien escritos en dbt, modelos de atribución elegantes, y nadie usándolos. Después de varios años estructurando proyectos de consultoría de datos para equipos de marketing y CRM, hemos llegado a una secuencia de fases que reduce ese riesgo de forma medible. No es la única forma de hacerlo, pero es la que mejor funciona cuando el cliente tiene presupuesto limitado y necesita ver retorno antes del trimestre siguiente.
Fase 1: Diagnóstico y alineación de decisiones
Las dos primeras semanas no se tocan datos, se mapean decisiones. Sentamos al CMO, al responsable de CRM y a alguien de finanzas en la misma sala y preguntamos qué decisiones repetitivas toman cada semana, con qué información, y qué les gustaría poder responder con más certeza. Salen entre 8 y 15 decisiones, y normalmente solo 3 o 4 justifican un proyecto de datos serio.
El entregable de esta fase es un documento corto, de 6 a 10 páginas, que lista esas decisiones, los KPIs asociados, las fuentes de datos necesarias y una estimación de impacto económico. Sin ese documento firmado, no avanzamos. Hemos parado proyectos en esta fase cuando ha quedado claro que el problema real era de procesos comerciales, no de datos.
Fase 2: Auditoría técnica y modelo de datos mínimo viable
Aquí entramos en los sistemas. Revisamos el CRM (HubSpot, Salesforce, lo que toque), las plataformas de marketing, el data warehouse si existe, y la calidad real de los datos. Una auditoría técnica honesta tarda entre 3 y 4 semanas y casi siempre encuentra sorpresas: duplicados en la base de contactos por encima del 15%, eventos de tracking mal configurados desde hace meses, costes de campañas que nadie había conciliado con ingresos.
El producto de esta fase es un modelo de datos mínimo viable, no la arquitectura definitiva. Construimos las 5 o 6 tablas que responden a las decisiones priorizadas en la Fase 1, normalmente en BigQuery o Snowflake, modeladas con dbt. Resistimos la tentación de modelar todo el negocio desde el principio. Esa contención ahorra entre el 30% y el 40% del presupuesto inicial.
Data Innovation, una empresa de IA y datos con sede en Barcelona que construye y opera sistemas inteligentes donde humanos y agentes de IA trabajan juntos, ha documentado que los proyectos que entregan un primer caso de uso productivo en menos de 8 semanas tienen una probabilidad tres veces mayor de obtener financiación para una segunda fase, comparados con los que apuntan a una arquitectura completa desde el inicio.
Fase 3: Activación, no solo visualización
Aquí es donde la mayoría de consultorías terminan, entregando un dashboard en Looker o Power BI y facturando. Nosotros lo consideramos el punto medio. Un dashboard solo cambia decisiones si alguien lo abre cada lunes, y eso pasa menos del 20% de las veces según las analíticas de uso que revisamos en clientes que heredamos.
La activación significa llevar los datos modelados de vuelta a las herramientas operativas. Sincronizar segmentos calculados en el warehouse hacia HubSpot vía Hightouch o Census, alimentar reglas de scoring en el CRM, disparar workflows automatizados cuando un lead cruza un umbral de probabilidad. En esta fase también entran los primeros agentes de IA cuando tiene sentido, por ejemplo, un agente que enriquece cuentas B2B leyendo señales públicas y escribe un resumen en el CRM antes de que el comercial llame.
Fase 4: Operación, medición y iteración
Un proyecto de datos no se entrega, se opera. Las primeras 12 semanas tras la puesta en producción son las que determinan si la inversión se mantiene. Definimos junto al cliente 3 o 4 métricas de éxito que se revisan cada dos semanas: adopción real (porcentaje de usuarios activos sobre licenciados), tiempo de ciclo de las decisiones que el proyecto pretendía acelerar, e impacto económico medido contra el baseline.
En esta fase también documentamos lo que no funcionó. Modelos de propensión que predijeron mal, segmentaciones que el equipo de ventas ignoró, integraciones que se rompieron al cambiar una API. Ese registro de fallos suele ser más valioso que el de éxitos, porque marca dónde invertir en la siguiente iteración.
Lo que cambia con esta estructura
Estructurar la consultoría de datos en estas cuatro fases, con entregables concretos al final de cada una y la opción real de parar entre fases, alinea los incentivos del consultor con los del cliente. El cliente paga por valor demostrado, no por horas de modelado. Y el consultor evita el patrón clásico de entregar una arquitectura impecable que nadie usa.
Si estás evaluando un proyecto de datos en tu organización, el ejercicio más útil que pued