Resumen
Felipe Vildoso, Head of Data & Analytics de Yolwen y Pronto Paga (fintech y neobanco bajo el holding Worldwide Payments), cuenta su trayectoria profesional y cómo armó un área de datos desde una base de business intelligence incipiente. Plantea una estrategia organizacional en tres fases (fundamentos, consolidación y madurez analítica) y una estrategia técnica basada en un lakehouse sobre AWS. Defiende que el data engineer es el primer cargo a contratar, porque sin datos limpios y ordenados el trabajo de data science pierde valor. Recomienda que el área dependa de tecnología y no de operaciones, para tener una visión global del holding. Propone un área de excelencia que empodere a analistas en otras áreas bajo lineamientos comunes, con gobernanza y una matriz RACI. En lo técnico usa DMS, S3, Apache Iceberg, capas bronze/silver/gold, dbt, Athena y Kestra como orquestador. También conversan sobre el impacto de la IA en perfiles junior y senior, el liderazgo técnico y el emprendimiento.
Capítulos
- 00:00IntroPresentación del episodio 202 sobre cómo armar una estrategia organizacional y técnica para un equipo de datos y qué roles se necesitan. Mencionan que el episodio 94 trató cómo crear una estrategia para implementar IA.
- 01:12Intro de FelipeFelipe es exalumno de la Facultad de Ingeniería de la Universidad de Chile y Head of Data & Analytics de Yolwen y Pronto Paga, empresas hermanas bajo Worldwide Payments. Pronto Paga es una pasarela de pago en Chile, Perú, Argentina, Brasil y México. Yolwen es un spinoff con concepto de neobanco. Comentan la competencia (Revolut, Wise, Nubank, Global66) y la regulación del sector bancario chileno.
- 08:32Áreas de interésSe define como emprendedor tecnológico, con intereses en desarrollo de software, negocios e ingeniería de datos. Programó en Java, PHP y Kotlin (su preferido en proyectos personales); no es muy fan de Python, pero lo usa por su ecosistema. Elige el lenguaje según el proyecto.
- 13:46Timeline profesionalRecorre cuatro etapas: formación (electivos de data warehousing y web mining, Startup Chile, semestre en la UBC de Canadá), el Web Intelligence Center con Juan Velásquez, el emprendimiento y consultoría de 2017 a 2020 (chatbots, Farmaut), y el rol gerencial desde 2021. Opina sobre el uso de IA en juniors y seniors, y defiende que un líder mantenga conocimiento técnico. También se discute que los emprendedores exitosos suelen tener más de 40 años.
- 46:50HobbiesVideojuegos (PlayStation, Metal Gear, Death Stranding, Valorant, Clash Royale), vinilos, anime (Attack on Titan, Evangelion), fotografía y pizza estilo Chicago. Critica el modelo de compras digitales que deja de dar propiedad al usuario ("feudalismo digital") y se comenta la desaparición de cursos de Coursera.
- 54:47Estrategia organizacionalFelipe explica que presentará primero la parte organizacional y luego la técnica, y que aplica a ambas empresas hermanas.
- 55:30Fase 1: FundamentosLlegó en junio del año anterior a ver desarrollo de software y propuso crear un área de Data & Analytics sobre un BI incipiente basado en una base transaccional. Eligió depender de tecnología y no de operaciones para evitar presión de prioridades de un solo área. Contrató primero un data engineer, con el argumento de que la base de datos debe ser de calidad antes de modelar. Debaten el orden de contratación (data engineer, data scientist, MLOps) y el rol subestimado del data engineer.
- 01:12:35Fase 2: ConsolidaciónAñade una subárea de compliance data engineering para la reportería regulatoria (CMF en Chile), con perfil minucioso y conocimiento del flujo del dato, dado que los errores implican multas millonarias. Empieza también el área de data science. Para dar soporte a ambas empresas usan la misma arquitectura replicada en ambientes separados.
- 01:21:34Fase 3: Madurez AnalíticaEl compliance data engineering evoluciona a data governance, y data science pasa a una subárea de ML aplicado con data scientists y ML engineers/MLOps. Distingue la IA a nivel usuario (usar LLMs, armar agentes) de lo que sí es del área (fine-tuning y trabajo más allá de una API); esto último está en el roadmap de 2027. Quiere que otras áreas tengan sus propios analistas bajo lineamientos del área.
- 01:26:15Estrategia técnicaInicio de la parte técnica de la presentación.
- 01:26:25Contexto y propósitoObjetivos: modernizar el stack, democratizar el acceso al dato y convertirlo en activo estratégico. Buscan centralizar datos estructurados y semiestructurados, separar consultas operacionales de analíticas, habilitar históricos y casi tiempo real, escalabilidad, alta disponibilidad, gobernanza y trazabilidad. Un participante recomienda herramientas de texto a SQL como Query Chat y orbital de Posit.
- 01:29:20Flujo de datosCapas: integración (extracción y carga, data engineers), repositorio central con transformaciones (capa analítica, donde participan data analysts, data scientists y MLOps) y capa de consumo, ya fuera del área, con los analistas de cada área.
- 01:30:40Arquitectura de datosLos datos viven en AWS Aurora y se extraen con DMS (carga completa y lectura del binlog casi en tiempo real) hacia S3; otras fuentes llegan por API con scripts de Python. Usan un lakehouse con capas bronze, silver y gold: el cliente final solo accede a gold, transformaciones con dbt, consumo con Athena (no han necesitado Redshift) y tablas Apache Iceberg (originado en Netflix; competidor Delta Lake). Hoy conviven QuickSight y Power BI por herencia; quiere migrar a una herramienta basada en código y versionable (BI as code). Su servicio favorito es Kestra, orquestador de segunda generación con flujos en YAML y agnóstico al lenguaje, frente a Airflow, Dagster y Prefect; destaca la rapidez de su soporte y la compatibilidad con ciberseguridad.
- 01:48:11CoordinaciónCada persona es focal de un área del holding para canalizar solicitudes. Gestionan proyectos y documentación en Notion, no hacen dailies, y tienen reuniones los lunes (plan de la semana) y los viernes (balance). Debaten dailies, Markdown y Obsidian frente a Notion para trabajar con IA. Crearon un comité de gobernanza y gestión de datos con legal y un DPO que decide accesos a datos, y recomiendan una matriz RACI. Sobre data mesh, opina que sirve para organizaciones muy grandes y que ellos van por un híbrido centralizado con analistas independientes.
- 01:54:37PreguntasCierre con comentarios sobre el volumen de datos: cuando escala mucho se añade una herramienta específica, pero el esquema se mantiene. Dos alertas: usar la base transaccional para responder preguntas analíticas, y esperar 20 minutos por una respuesta de negocio.
- 02:00:56CierreFelipe agradece la invitación y los presentadores invitan a seguir el canal y unirse al Discord. Anuncian para la próxima semana Spec Driven Development con OpenSpec.