Si liderás un equipo de Data, probablemente conocés esta escena: el tablero está publicado, la documentación existe, y aun así te llegan cada semana pedidos del tipo “¿me sacás este número?”, “¿por qué no coincide con lo que dice Finanzas?” o “necesito un Excel con esto para mañana”. Tu equipo termina dedicando buena parte del tiempo a responder consultas que, con un poco más de criterio del lado de negocio, se resolverían solas.

El problema no es técnico. Es de data literacy: la capacidad de las áreas de negocio de leer, cuestionar y usar datos para decidir. Mientras esa capacidad no exista, el equipo de datos va a seguir siendo un cuello de botella, por más herramientas que compres. En esta guía te mostramos cómo un líder de Data puede impulsar un programa de data literacy para el resto de la empresa sin convertirse en profesor de tiempo completo.

Qué es data literacy (y qué no es)

Data literacy, o alfabetización de datos, es la habilidad de entender de dónde vienen los datos, qué significan, qué limitaciones tienen y cómo usarlos para tomar una decisión. No es lo mismo que saber SQL o programar en Python.

Una persona de Marketing con buena data literacy no necesita armar el pipeline. Necesita saber:

• Qué indicador mirar para responder su pregunta de negocio.

• Cómo leer un tablero sin sacar conclusiones apresuradas.

• Cuándo una diferencia es relevante y cuándo es ruido.

• Qué preguntarle al equipo de datos cuando algo no cierra.

• Cómo usar herramientas de autoservicio (y la IA) sin romper definiciones.

Cuando hablamos de construir una cultura de datos, en realidad hablamos de esto: que cada área tenga el criterio suficiente para usar bien la información que ya existe.

Señales de que tu equipo de datos es un cuello de botella

Antes de armar un programa, confirmá que el problema es de capacidades y no solo de priorización. Algunas señales típicas:

• La mayoría de los pedidos son consultas puntuales, no proyectos de análisis.

• Los tableros tienen poco uso real y la gente sigue pidiendo exportaciones a Excel.

• Cada área tiene su propia versión del mismo número y las reuniones se van en discutir cuál es el correcto.

• Las preguntas llegan mal formuladas (“necesito todos los datos de clientes”) y tu equipo tiene que reconstruir qué se quiere decidir.

• Tu equipo no llega a los proyectos de valor (modelos, automatizaciones, análisis profundos) porque el día se va en soporte.

Si te reconocés en tres o más, el problema probablemente no se resuelve contratando otra persona para el equipo de datos. Se resuelve subiendo el piso del resto de la empresa.

Por qué el líder de Data tiene que ser sponsor (pero no el único docente)

Muchos programas de data literacy nacen en People como “curso de Excel para todos” y mueren rápido porque no están conectados con los datos reales de la empresa. Otros nacen en el equipo de datos y mueren porque el equipo no tiene tiempo para dar clases además de su trabajo.

El modelo que mejor funciona suele repartir roles así:

Así el líder de Data pone el criterio y los casos, pero no carga solo con la ejecución.

Cómo armar un programa de data literacy en 5 pasos

1. Partí de las decisiones, no de las herramientas

Pedile a cada área que liste las tres o cuatro decisiones recurrentes que toma con datos: cuánto invertir en una campaña, qué producto reponer, qué cliente priorizar, cuándo contratar. El programa se arma alrededor de esas decisiones, no alrededor de un software.

2. Definí niveles por rol

No todos necesitan lo mismo. Un esquema práctico:

• Consumidores: leen tableros e informes y toman decisiones. Necesitan interpretación, sesgos comunes y buenas preguntas.

• Exploradores: hacen análisis simples por su cuenta con herramientas de autoservicio o planillas. Necesitan lo anterior más manipulación de datos y visualización.

• Champions: referentes de cada área que traducen entre negocio y Data. Necesitan una base técnica más sólida y conocer el modelo de datos de la empresa.

Si todavía no tenés claro dónde está cada persona, conviene arrancar por una detección de necesidades de capacitación enfocada en datos.

3. Usá los datos reales de la empresa

Este es el punto que más diferencia un programa útil de un curso genérico. Los ejercicios tienen que hacerse sobre los tableros, indicadores y definiciones que la gente usa todos los días (con datos anonimizados si hace falta). Un ejemplo con datos de una tienda ficticia enseña el concepto; un ejemplo con el tablero de ventas propio cambia el comportamiento.

4. Armá un glosario de indicadores compartido

Muchas discusiones de “cuál número es el correcto” se resuelven con definiciones claras. Antes o durante el programa, documentá los indicadores principales: qué miden, cómo se calculan, de dónde salen y quién es el dueño. Ese glosario se convierte en material del curso y en referencia posterior.

5. Medí el cambio en el tipo de pedidos

No midas solo asistencia. Para un líder de Data, la evidencia más útil es cómo cambian los pedidos que recibe su equipo: menos consultas puntuales, preguntas mejor formuladas, más uso de los tableros, más pedidos de análisis de mayor valor. Podés comparar una muestra de pedidos antes y después del programa sin inventar métricas complejas. Para profundizar en esto, mirá cómo medir el impacto de la capacitación corporativa sin inventar métricas.

Dónde entra la IA en todo esto

La IA generativa hace que la data literacy sea más necesaria, no menos. Hoy cualquier persona puede pedirle a un asistente que “analice” una planilla y le devuelva conclusiones con mucha seguridad. Sin criterio para revisar esas conclusiones, el riesgo de decidir con un análisis equivocado crece.

Un buen programa incluye un módulo sobre cómo usar la IA para explorar datos: cómo formular la pregunta, cómo verificar los resultados contra la fuente oficial y qué datos no deberían cargarse en herramientas no aprobadas.

Un ejemplo típico

Pensá en una empresa de consumo masivo con un equipo de datos chico que atiende a Comercial, Marketing y Operaciones. El equipo publica tableros, pero Comercial sigue pidiendo reportes a medida todas las semanas. El líder de Data decide cambiar el enfoque: junto con People arma un programa con tres niveles, usa los tableros reales de ventas como material y nombra un champion en cada área comercial.

Al cabo de algunas semanas, el cambio que se nota no es que todos sepan SQL. Es que las preguntas llegan distintas: en lugar de “pasame las ventas”, llegan pedidos como “quiero entender por qué cayó la conversión en esta región; ya miré el tablero y descarté el efecto precio”. Eso le devuelve tiempo al equipo de datos para trabajar en lo que realmente necesita su experiencia.

Errores comunes

• Arrancar por la herramienta. Capacitar en el software de BI sin enseñar a pensar con datos.

• Un único curso para todos. Mezclar a quien solo lee tableros con quien arma análisis frustra a ambos.

• Ejemplos genéricos. Si los ejercicios no se parecen al trabajo real, no se transfieren al puesto.

• Dejarlo todo en manos del equipo de datos. Se agotan y el programa se cae cuando aparece un proyecto urgente.

• No sostener la práctica. Sin champions ni espacios de consulta, el conocimiento se pierde en pocas semanas.

Preguntas frecuentes

¿Data literacy es lo mismo que aprender análisis de datos?

No exactamente. Data literacy apunta a que cualquier persona pueda entender y usar datos para decidir. El análisis de datos es una especialización más técnica que necesitan algunos roles, como los champions o los analistas de cada área.

¿Cuánto tiempo lleva un programa de este tipo?

Depende de la cantidad de personas, los niveles y el punto de partida. Lo habitual es combinar unas pocas sesiones intensivas con práctica sostenida en el tiempo, en lugar de un único curso largo [DATO A VALIDAR según alcance].

¿Conviene un curso de catálogo o uno a medida?

Un catálogo sirve para la base conceptual. Para trabajar con los datos y tableros propios, un formato a medida suele rendir más. Si estás evaluando opciones, te puede servir esta comparación sobre cursos genéricos vs personalizados.

Si querés que tu equipo de datos deje de ser el cuello de botella y que las áreas de negocio decidan con más criterio, agendá una asesoría gratuita con Coderhouse Empresas. Te ayudamos a diseñar un programa de data literacy por niveles, con los datos reales de tu empresa.