El trabajo del GTGCTD sobre modelos de gestión del cambio en Data Governance
Technical Manager NTT Data
Desde la coordinación del Grupo de Trabajo de Gestión del Cambio y Transformación Digital de DAMA España —integrado actualmente por más de diez profesionales de distintos ámbitos del dato— compartimos brevemente el contexto de esta nueva etapa, en la que el equipo se encuentra desarrollando su primer ciclo de trabajo tras completar una fase inicial de ideación, definición de prioridades y aprobación de un decálogo operativo que marca nuestra forma de colaborar.
Desde diciembre trabajamos con una dinámica estructurada en ciclos cortos: selección de temas, trabajo en subgrupos, sesiones temáticas y una retrospectiva final para medir avances y ajustar el rumbo.
Cada subgrupo prepara una sesión de conocimiento con un enfoque práctico —preguntas potentes, casos reales y aprendizaje compartido— cuyo resultado se traduce en un artículo para la revista DAMA.
El texto que sigue es el primer trabajo publicado dentro de este ciclo. Lo firma Laeticia Dos Santos, en representación de su equipo, y recoge el resultado del trabajo desarrollado en torno a los modelos de gestión del cambio.
Sabina Hernández
Coordinadora Grupo de Trabajo de Gestión del Cambio y Transformación Digital
¿Existe un modelo único para gestionar el cambio?
¿Hay un único modelo de gestión del cambio? ¿Cuándo lo aplico? ¿Funciona igual en una administración pública que en una empresa privada? ¿Es lo mismo para una organización pequeña que para una multinacional? Estas fueron las preguntas que el primer sprint del Grupo de trabajo de DAMA España se hizo al inicio del trimestre.
“Para cada uno, el análisis responde siempre a las mismas preguntas: qué es, cuándo usarlo, y (lo más revelador) cuándo no usarlo. Esa última pregunta cambió la forma de ver el problema”
El punto de partida
El DMBOK2 dedica su Capítulo 17 a la gestión del cambio organizacional con rigor: trabaja en profundidad el marco de Kotter y la teoría de Difusión de Innovaciones de Rogers. Es una base sólida.
Pero el ecosistema de metodologías disponibles es mucho más amplio, y el DMBOK no entra en cómo seleccionar ni combinar enfoques según el contexto de cada organización: su tamaño, su sector, su madurez, o si dispone de especialistas internos. Ahí es donde el trabajo del GCTD añade una capa que el framework no cubre.
Lo cuento desde mi perspectiva. Soy arquitecto de datos. Cuando me incorporé al GCTD pensaba que la gobernanza del dato es fundamentalmente un problema técnico bien resuelto. Lo que encontré en el grupo me obligó a revisar esa convicción. El catálogo: no todos los modelos sirven para todo.
El primer entregable, fue un catálogo analítico de los diez modelos más utilizados: Kotter, ADKAR, Lewin, el 7-S de McKinsey, Bridges, Kübler-Ross, la Teoría del Empujón, el Análisis de Campo de Fuerzas, la Gestión del Cambio Ágil e ITIL.
Para cada uno, el análisis responde siempre a las mismas preguntas: qué es, cuándo usarlo, y (lo más revelador) cuándo no usarlo. Esa última pregunta cambió la forma de ver el problema. Kotter, el modelo más citado en transformaciones corporativas, no debería aplicarse cuando el plazo es regulatorio y urgente.
Una entidad financiera con noventa días para acreditar el linaje de sus datos críticos ante el supervisor no puede permitirse los doce a veinticuatro meses que Kotter requiere.
Y sin embargo es el primero que aparece en cualquier búsqueda.
Cada modelo tiene un contexto en el que brilla y uno en el que fracasa.
Confundirlos es uno de los errores más frecuentes y costosos en los programas de Data Governance.
Otro ejemplo rápido: llevas seis meses con un catálogo de datos implantado y la adopción es del 12%. El diagnóstico instintivo es resistencia cultural.
Pero puede que el problema real sea que la herramienta requiere demasiados pasos y los usuarios no la encuentran útil. Son dos problemas que parecen idénticos desde fuera y que requieren intervenciones completamente distintas.
Las matrices: la aportación más genuina del grupo.
Si el catálogo responde a qué hace cada modelo, las dos matrices responden a las preguntas más difíciles: ¿cuál elijo para mi situación? ¿Y puedo combinar varios?
La matriz de selección compara los diez modelos en cinco dimensiones: alcance del cambio, duración típica, complejidad de implementación, madurez organizacional requerida e inversión de recursos.
Si tu iniciativa afecta a toda la organización pero no dispones de consultores externos y tu empresa lleva apenas dos años.
haciendo Data Governance, la matriz descarta los modelos que suenan bien pero están fuera de tu alcance real, antes de que lo descubras a los seis meses de haberlo intentado.
La matriz de compatibilidad fue, para mí, el hallazgo más inesperado. Antes de este análisis, conocía uno o dos modelos y los aplicaba a todo.
Era como ir a la cocina del dato con un solo cuchillo. Lo que el grupo construyó es un juego completo: ahora sé qué herramienta coger según lo que tengo delante, cuáles funcionan juntas y cuáles no debo mezclar aunque parezca que sí.
La matriz identifica combinaciones que se refuerzan y combinaciones que se cancelan.
Esto último es más frecuente de lo que parece: muchas organizaciones aplican dos modelos en paralelo sin saber que están tirando en direcciones opuestas. Kotter y Ágil es el caso más habitual en Data Governance. Kotter es secuencial y top-down. Ágil es iterativo y emergente.
Aplicados al mismo programa al mismo tiempo, no suman sus ventajas, las anulan.
“Para cada uno, el análisis responde siempre a las mismas preguntas: qué es, cuándo usarlo, y (lo más revelador) cuándo no usarlo. Esa última pregunta cambió la forma de ver el problema”
La solución que revela la matriz es usarlos en capas distintas: Kotter como marco estratégico global y Ágil como metodología de ejecución táctica sprint a sprint. Y en esa misma implantación, puede que necesites Kübler-Ross en los primeros meses, cuando el director que pierde autonomía sobre sus datos lleva dos ausencias seguidas al comité de gobernanza. No está siendo desleal: está en la fase de ira de una curva predecible. Y ADKAR en los meses siguientes, cuando ya hay aceptación pero falta desarrollar la habilidad concreta de ejercer el rol de Data Owner. No es contradicción. Es que cada modelo responde a un problema distinto, en un momento distinto, dentro del mismo proceso.
Otro ejemplo rápido: llevas seis meses con un catálogo de datos implantado y la adopción es del 12%. El diagnóstico instintivo es resistencia cultural.
Pero puede que el problema real sea que la herramienta requiere demasiados pasos y los usuarios no la encuentran útil. Son dos problemas que parecen idénticos desde fuera y que requieren intervenciones completamente distintas.
Las matrices: la aportación más genuina del grupo
Si el catálogo responde a qué hace cada modelo, las dos matrices responden a las preguntas más difíciles: ¿cuál elijo para mi situación? ¿Y puedo combinar varios?
La matriz de selección compara los diez modelos en cinco dimensiones: alcance del cambio, duración típica, complejidad de implementación, madurez organizacional requerida e inversión de recursos.
Si tu iniciativa afecta a toda la organización pero no dispones de consultores externos y tu empresa lleva apenas dos años haciendo Data Governance, la matriz descarta los modelos que suenan bien pero están fuera de tu alcance real, antes de que lo descubras a los seis meses de haberlo intentado.
La matriz de compatibilidad fue, para mí, el hallazgo más inesperado. Antes de este análisis, conocía uno o dos modelos y los aplicaba a todo.
Era como ir a la cocina del dato con un solo cuchillo. Lo que el grupo construyó es un juego completo: ahora sé qué herramienta coger según lo que tengo delante, cuáles funcionan juntas y cuáles no debo mezclar aunque parezca que sí.
La matriz identifica combinaciones que se refuerzan y combinaciones que se cancelan.
Esto último es más frecuente de lo que parece: muchas organizaciones aplican dos modelos en paralelo sin saber que están tirando en direcciones opuestas. Kotter y Ágil es el caso más habitual en Data Governance. Kotter es secuencial y top-down. Ágil es iterativo y emergente.
Aplicados al mismo programa al mismo tiempo, no suman sus ventajas, las anulan.
“Para cada uno, el análisis responde siempre a las mismas preguntas: qué es, cuándo usarlo, y (lo más revelador) cuándo no usarlo. Esa última pregunta cambió la forma de ver el problema”
La solución que revela la matriz es usarlos en capas distintas: Kotter como marco estratégico global y Ágil como metodología de ejecución táctica sprint a sprint. Y en esa misma implantación, puede que necesites Kübler-Ross en los primeros meses, cuando el director que pierde autonomía sobre sus datos lleva dos ausencias seguidas al comité de gobernanza. No está siendo desleal: está en la fase de ira de una curva predecible. Y ADKAR en los meses siguientes, cuando ya hay aceptación pero falta desarrollar la habilidad concreta de ejercer el rol de Data Owner.
No es contradicción. Es que cada modelo responde a un problema distinto, en un momento distinto, dentro del mismo proceso.
El anexo: quince modelos que el mundo del dato debería conocer
En paralelo, se está trabajando en un anexo de quince modelos complementarios que esperamos presentar próximamente al resto del equipo del GCTD. Cubren ángulos que los diez principales no abordan: por qué el cambio no ocurre aunque todo esté bien diseñado, por qué los mismos problemas de calidad de datos reaparecen aunque se corrijan, o por qué un programa que funciona en la sede central fracasa al replicarse en las filiales. Preguntas que cualquier profesional de gobernanza habrá tenido alguna vez sin encontrar respuesta estructurada.
Próximos pasos y cómo participar
El GCTD continúa con reuniones mensuales. El trabajo del primer sprint ha sido solo el comienzo: los otros dos están desarrollando sus propias líneas de análisis, y los resultados se irán compartiendo con la comunidad DAMA España a lo largo del año. La documentación generada, el catálogo, el anexo y las dos matrices, está disponible para la comunidad.
Si trabajas en Data Governance y reconoces en tu día a día los patrones que describe este artículo, el grupo es un espacio de diálogo abierto donde esa experiencia tiene cabida y valor.
Con esta primera contribución inauguramos una etapa en la que el Grupo de Trabajo transforma sus sesiones en conocimiento estructurado y compartido. El objetivo de este ciclo no es solo debatir, sino producir reflexión útil que conecte la gestión del cambio con la práctica real del gobierno del dato.
Seguimos avanzando, aprendiendo y ajustando el enfoque en cada sesión, con la mirada puesta en aportar valor tangible a la comunidad DAMA y consolidar un espacio de trabajo que combine rigor, agilidad y foco en las personas.
Sabina Hernández, coordinadora GTGCTD
