Cuatro fases que se cumplen siempre, sin importar el tamaño del proyecto — lo que cambia es cuánto tiempo toma cada una, nunca si se hace o no.
Antes de proponer nada, escuchamos: al equipo, a los beneficiarios o usuarios, y a los datos que ya existen aunque estén dispersos en hojas de cálculo o en la memoria de una persona. Salimos de aquí con el problema real nombrado con precisión, no con la primera hipótesis.
Diseñamos el modelo de datos, los indicadores y los procesos que van a sostener el proyecto en el tiempo. Aquí decidimos, con criterio y no por costumbre, si conviene construir algo nuevo o adaptar una herramienta que el equipo ya conoce.
Construimos en ciclos cortos y validados, usando inteligencia artificial donde realmente ahorra tiempo o reduce error — nunca como adorno. Cada entrega se revisa con el equipo antes de seguir a la siguiente.
Un sistema que nadie sabe operar no genera impacto. Cerramos cada proyecto entrenando al equipo, documentando en lenguaje claro, y definiendo quién queda a cargo del dato — con un acompañamiento que decrece de forma explícita, no que se prolonga por default.
La tecnología que usamos varía según cada proyecto — a veces son plataformas en la nube para análisis a mayor escala, a veces herramientas abiertas de recolección de datos de campo, a veces algo mucho más simple que el equipo ya conoce. Elegimos con criterio abierto, no por costumbre ni por marca, y siempre respondiendo tres preguntas:
¿Quién es dueño de la información, quién puede verla y modificarla, y cómo se protege? Definimos esto antes de escribir una sola línea de código.
¿La herramienta conecta con los objetivos y procesos ya existentes de la organización, o crea un sistema paralelo que nadie termina usando?
Antes de construir la versión final, probamos versiones simples con usuarios y clientes reales — para ajustar con evidencia, no con suposiciones.
La pregunta que nos hacemos siempre es la misma: ¿esto hace que el equipo del cliente dependa menos de nosotros con el tiempo, o más?