DEV Community: Irasema Dilian Trejo

💡 🔄 CRISP-DM en la práctica: cuando comienzas un proyecto de datos

Irasema Dilian Trejo — Mon, 16 Feb 2026 18:46:55 +0000

CRISP-DM aparece en casi todos los cursos de ciencia de datos.
Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, Deployment.

Suena lineal y ordenado, pero en la práctica no lo es.
CRISP no es un flujo, es un ciclo de fricción constante.

Y eso es bueno.

Business Understanding no es una reunión inicial

En teoría, el proyecto empieza entendiendo el problema de negocio.

En la práctica, el “problema” suele venir formulado como:

“Necesitamos un modelo predictivo”
“Queremos usar IA”
“Queremos algo con GenAI”

Eso no es un problema, es una solución disfrazada.

La fase de Business Understanding real implica:

redefinir el problema en términos medibles,
entender qué decisión se quiere mejorar,
y algo clave: entender qué pasa si el modelo falla.

Si esta fase se hace mal, el resto del proyecto será técnicamente correcto y estratégicamente irrelevante.

Data Understanding es donde empiezan las sorpresas

Aquí es donde CRISP deja de ser teoría.

Los datos:

no están completos,
no están documentados,
no representan exactamente el proceso de negocio,
o cambian sin aviso.

En la práctica, Data Understanding y Data Preparation se mezclan constantemente.
Y muchas veces regresan a Business Understanding porque descubres que el problema planteado no es viable con los datos existentes.
CRISP no es lineal. Es iterativo.

Modeling no es el centro del proyecto

Uno de los mayores mitos es que el modelado es “la parte importante”.

En proyectos reales, modelar suele representar una fracción del esfuerzo total. Lo que consume tiempo es:

limpiar
redefinir métricas
alinear expectativas
ajustar supuestos
explicar resultados

Evaluation no es sólo performance

En libros, Evaluation significa revisar métricas.

En la práctica, significa responder preguntas incómodas:

¿Este modelo realmente mejora la decisión?
¿Qué pasa en escenarios extremos?
¿Es estable en el tiempo?
¿Qué riesgos regulatorios existen?

Aquí es donde muchos proyectos “técnicamente buenos” se caen.

Deployment no es el final

CRISP termina en Deployment, pero en proyectos reales ese es el inicio de otra etapa:

monitoreo
detección de drift
ajustes
reentrenamiento
gobierno

Un modelo sin monitoreo es un experimento en producción.

Y si lo conectas con gobierno de modelos, Deployment no es sólo poner en producción, es hacerlo observable y controlable.

Lo que he aprendido usando CRISP en la práctica

Es más iterativo de lo que parece.
La mayor parte del valor se define antes de modelar.
El éxito depende más de claridad de negocio que de sofisticación algorítmica.
Sin gobierno y monitoreo, CRISP se queda incompleto. CRISP-DM sigue siendo uno de los marcos más sólidos para proyectos de datos, pero su poder no está en seguir las fases como checklist, sino en entender que cada fase conversa con las demás.

Cuando se usa bien, no estructura sólo el proyecto.
Estructura la conversación entre datos y negocio.

Cuando el gobierno se vuelve medible, se vuelve real 📏📊

Irasema Dilian Trejo — Thu, 05 Feb 2026 19:08:29 +0000

Aquí viene una de las verdades del gobierno de modelos:si no se puede medir, no se está gobernando.

Los KPIs no existen para llenar dashboards ni para “vigilar”. Existen porque, en la práctica, son la única forma de saber si el gobierno de modelos está funcionando más allá del papel. Ayudan a responder preguntas muy concretas: si realmente tenemos visibilidad sobre los modelos que están corriendo, si estamos gestionando el riesgo de forma proporcional y si esos modelos siguen siendo confiables una vez que llegan a producción.

Por ejemplo, las métricas de visibilidad permiten saber cuántos modelos están realmente registrados y clasificados, y cuántos existen sólo en la operación, sin ningún contexto formal detrás. Los indicadores de riesgo muestran si los modelos han sido validados de acuerdo con su impacto; no todos requieren el mismo nivel de control, pero ninguno debería quedar fuera. Y las métricas operativas ayudan a detectar degradaciones de desempeño o incidentes antes de que el negocio los resienta, porque gobernar no es evitar errores, es detectarlos a tiempo.

Lo interesante es que cuando estas métricas empiezan a existir, cambia la conversación. El gobierno deja de ser una función reactiva o meramente documental y se convierte en una herramienta real para priorizar esfuerzos, tomar decisiones informadas y construir confianza entre equipos técnicos, negocio y liderazgo. Medir no hace al gobierno más rígido; lo hace más honesto.

Y quizá lo más importante: no se trata de medir todo desde el día uno. Se trata de medir lo suficiente para saber dónde estás parado.
Porque un gobierno sin KPIs no es gobierno. Es intención.

Gobernar modelos no es frenar la innovación 👩🏻‍⚖️📈🤖

Irasema Dilian Trejo — Mon, 12 Jan 2026 02:11:17 +0000

Llevo aproximadamente 3 años gobernando modelos y me di cuenta de que: gobernar modelos no es frenar la innovación, es la única forma en la que podemos escalarla.

Gobernar modelos tanto de Gen AI y no Gen AI no comienza por la herramienta ni por el framework que está de moda, comienza por algo mucho más básico y en ocasiones incómodo: hacer explícitas las decisiones, los riesgos y las responsabilidades porque un modelo sin dueño es un riesgo latente.

Cuando no conocemos:

para qué existe un modelo
qué datos utiliza (entradas y salidas)
qué decisión apoya o automatiza
quién responde por su impacto (quién es el dueño)

sólo tenemos código operando sin gobierno con un riesgo latente.
No basta con que un modelo “funcione bien” hay que hacerse las preguntas:

¿cómo monitoreamos/detectamos si falla el modelo?
¿qué información puede consumir?
¿qué decisiones no debería tomar solo?
¿cómo lo apagamos o detenemos si algo sale mal?

Gobernar modelos no es controlarlos más si no entenderlos mejor.
Cuando las organizaciones logran clasificar sus modelos, definir los niveles de riesgo, establecer responsables claros y documentar lo esencial, todo cambia y se convierte en un activo de negocio confiable.

La verdadera madurez de los modelos en las organizaciones no se mide por cuántos están en producción, sino por qué tan preparada está la organización para explicarlos, defenderlos y ajustarlos cuando realmente importa. Y es precisamente en ese punto donde el gobierno de modelos deja de ser un requisito y se convierte en una ventaja competitiva.

Se tienen consideraciones más particulares para los modelos de Gen AI. Próximamente hablaremos más sobre esto ¿te interesa? 💡