Especialista en investigación médica y equipos de diagnóstico, Thermo Fisher Scientific nació de la fusión de Thermo Electron y Fisher Scientific a mediados de la década de 2000. La multinacional, cuya sede está situada en Waltham (Massachusetts), generó 44.000 millones de dólares. de facturación en 2022, aproximadamente una cuarta parte de ella en Europa, a través de marcas como Thermo Scientific, Applied Biosystems, Invitrogen, Fisher Scientific, Unity Lab Services, Patheon o PPD. El grupo emplea a más de 125.000 personas.

En el fabricante de equipos e instrumentos de laboratorio, las capacidades de datos y análisis no pueden surgir únicamente de una estrategia comercial o de TI. Dado que la tecnología y la organización empresarial están profundamente involucradas en todos los aspectos de los datos, los equipos multifuncionales son esenciales para aprovecharlos al máximo. El CIO de Thermo Fisher Scientific, Ryan Snyder, y sus colegas crearon un modelo en capas que permite que TI y las empresas actúen como un solo equipo.

¿Cuáles son las motivaciones comerciales detrás de la arquitectura de datos que está creando en Thermo Fisher Scientific?

Ryan Snyder: Durante mucho tiempo, las empresas simplemente contrataban científicos de datos, les indicaban sus datos y esperaban resultados sorprendentes. Esta estrategia está condenada al fracaso. La mejor manera de iniciar una estrategia de datos es establecer impulsores de valor real que la empresa pueda respaldar. En Thermo Fisher Scientific, estos factores se dividen en tres áreas distintas. El primero es optimizar nuestro propio back office y los otros dos se aplican a los negocios de nuestros clientes de promover el descubrimiento científico y acelerar los resultados clínicos.

¿Cuáles son algunos ejemplos de soluciones de análisis que está creando en cada una de estas áreas?

En lo que respecta al back office, la fabricación es un área muy interesante para nosotros. A diferencia de muchas otras industrias, la fabricación en las ciencias biológicas implica muchas actividades específicas y no reproducibles, por lo que podemos terminar con una enorme variabilidad en términos de cómo se fabrican los productos. Históricamente, hemos impulsado la productividad a través de Lean Six Sigma y la optimización del flujo. Con la llegada de la Industria 4.0, ahora estamos colocando sensores en nuestros procesos de fabricación que nos proporcionan grandes cantidades de datos que nuestros líderes utilizan para repensar esos procesos.

En cuanto a los descubrimientos científicos y los resultados clínicos, muchos de los instrumentos que vendemos se están volviendo digitales. La microscopía y la secuenciación de genes, por ejemplo, generan una gran cantidad de datos que nuestros clientes intentan analizar. Cuantas más plataformas creemos para conectarlos y simplificar estos análisis, más fácil les resultará acceder a datos importantes. Esto es especialmente cierto cuando tienen conjuntos de datos de múltiples instrumentos. ¿Cómo recopilar todos estos datos? Antes esto era responsabilidad de cada cliente. Pero como proveedor, podemos acelerar la investigación y el análisis conectando estos diferentes conjuntos de datos.

Hablaste de tu plataforma de datos como si fuera un pastel en capas. ¿Cuáles son estas capas?

En TI, a menudo hablamos de las capas de una pila de tecnología. La metáfora del pastel de capas desplaza el debate sobre los datos de un debate puramente de TI a uno que se sitúa en la intersección de la estrategia empresarial y la tecnología. Se trata de cómo creamos capas desde conceptos de negocio, como el avance del descubrimiento, hasta una solución tecnológica, como una herramienta de visualización.

Entonces, la primera capa es el concepto de negocio: organizamos deliberadamente sesiones con nuestros socios de la unidad de negocios para discutir dónde los datos de nuestra empresa crean valor. Este enfoque no es diferente del de una organización de recursos humanos que desarrollaría una estrategia de gestión de habilidades para respaldar una estrategia comercial. Por tanto, desarrollar estas ideas es una parte integral de la primera capa.

La segunda capa es la capa consumible, donde los clientes, tanto internos como externos, pueden acceder y utilizar los datos. Aquí seleccionamos, por ejemplo, las herramientas de visualización. La tercera capa y la más compleja es la arquitectura y la gobernanza, que hemos agrupado en un solo componente.

En las dos primeras capas, el negocio juega un papel impulsor y TI se posiciona como soporte, pero en la capa de arquitectura y gobierno de datos, TI y el negocio están uno al lado del otro y toman decisiones complejas juntos. sobre estos temas.

La capa final son los datos sin procesar, donde extraemos datos de los sistemas de origen, los organizamos, los protegemos y determinamos qué lagos de datos usar. Por lo general, no se trata de debates comerciales, sino de consideraciones puramente informáticas.

Entonces, con este modelo de pastel de capas, organizamos un conjunto de discusiones en cascada entre TI y nuestros socios comerciales, donde estos últimos lideran los niveles superiores y el departamento de TI tiene control sobre los niveles. más bajo.

¿Puedes darnos un ejemplo de cómo funciona esto en capas?

Considere simplificar los informes de ventas en toda la empresa, lo que puede volverse demasiado complejo en un grupo que ha crecido a través de adquisiciones, muchas de las cuales tienen sus propios sistemas financieros. A nivel de concepto de negocio, finanzas participa en una serie de conversaciones con TI e ingeniería de datos para evaluar el cambio de proceso necesario para crear informes de autoservicio para el negocio. Luego, en el nivel inferior, decidimos cómo las personas consumirán los datos de ventas. ¿Nuestro objetivo es tener un portal único o un portal para las ventas del lado clínico y otro para las actividades de nuestros productos? En este nivel, involucramos a los gerentes generales, que consumen los datos, y a algunas personas de TI adicionales que ayudan a escalar la solución. Avanzamos hacia abajo en el diagrama de flujo a medida que avanzamos por las capas.

¿Qué está pasando en términos de arquitectura y gobernanza?

Dentro de las dos primeras capas, definimos la solución en términos de contexto empresarial, que lidera las discusiones incluso si el equipo de TI sigue involucrado. A nivel de gobernanza y arquitectura, es el departamento de TI el que lidera el debate para decidir los estándares y reglas que se aplicarán a los datos y que nos permitirán gestionar la capa consumible. ¿Están los datos en una o más nubes? ¿Queremos utilizar las mismas herramientas de visualización para todas las empresas? ¿Quién tiene acceso a los datos?

Finalmente, a nivel de datos sin procesar, el equipo de TI toma decisiones en cuanto a ingeniería, almacenamiento, seguridad o cualquier otra herramienta.

¿Cuáles son los beneficios de la arquitectura y la gobernanza de datos en una sola capa?

Velocidad y evitando ida y vuelta. Cuando hicimos una evaluación inicial de nuestras capacidades de datos, descubrimos que teníamos una gran cantidad de equipos pequeños, cada uno con bases de datos pequeñas, donde todos tomaban las decisiones correctas sobre sus datos basándose en su propia visión, pero donde nadie examinaba estos entornos en su totalidad. Necesitábamos una capa que reuniera a los líderes de TI y de negocios para que pudieran observar todo este panorama. Ambas partes deben invertir en encontrar la mejor solución en beneficio de la empresa.

¿Qué beneficios tiene la estructura en capas para su organización?

Nos dio agilidad. Podemos dar sentido a conjuntos de datos muy complejos en toda la empresa y, al mismo tiempo, permitir a las personas resolver problemas a un nivel muy local, pero de forma orquestada. El modelo de “pastel de capas” le brinda a TI la oportunidad de analizar todos los problemas comerciales que los datos podrían resolver y la capacidad de resolver esos problemas rápidamente. También permite a las empresas tomar posesión de las decisiones relacionadas con los datos.

¿Cuáles fueron los desafíos que planteó la implementación de este modelo?

Tuvimos que pasar de un modelo de gestión de proyectos a un modelo de gestión de productos, lo cual fue un cambio muy significativo porque cuando financias el crecimiento de una estrategia de datos proyecto por proyecto, terminas con un monstruo de Frankenstein de atajos, porque Siempre te falta dinero o tiempo. En un modelo de producto, los equipos no están arquitectónicamente limitados en el tiempo; están impulsados ​​por los resultados del producto más que por los resultados del proyecto. Sin embargo, pasar al modelo de producto puede requerir mucho tiempo y esfuerzo.

Otro problema surgió al permitir que los equipos se apegaran a ciertas tecnologías heredadas. El volumen de datos está creciendo tan rápidamente y están sucediendo tantas cosas en las comunidades de startups que puedes quedarte estancado si permaneces apegado a tecnologías obsoletas durante demasiado tiempo.

El tercer desafío fue garantizar que tuviéramos objetivos estratégicos de datos ambiciosos a largo plazo, incluida la inteligencia artificial, pero que también pudiéramos comenzar poco a poco de una manera manejable que creara todo siguiendo el valor. Tienes que ser capaz de resolver pequeños problemas integrándolos en el panorama general. De lo contrario, corre el riesgo de pasar un año completo resolviendo pequeños problemas y, al mismo tiempo, perder una importante oportunidad de inversión.

¿Qué consejo le daría a los CIO que quieran implementar una estructura de datos similar?

Encuentre algunos socios internos que tengan el deseo y la capacidad de ayudarlo a construir el modelo, porque los roles que les pide a sus socios comerciales que desempeñen no son los que ocupan tradicionalmente. Quieren los datos, pero ¿entienden en qué se están metiendo? Los equipos de negocios y de TI pueden operar verdaderamente como una sola entidad. Céntrese en quiénes son sus principales socios, porque los mejores defensores para desarrollar una estrategia de datos no necesariamente provendrán del departamento de TI, sino de las líneas de negocio.