Un catálogo de datos es un inventario centralizado y consultable de los activos de datos de una organización, gestionado mediante metadatos, de modo que los analistas, los ingenieros y los usuarios empresariales puedan encontrar, comprender y confiar en los datos sin tener que preguntar a nadie dónde se encuentran.
Esta guía explica qué es un catálogo de datos, cómo funciona, quién lo utiliza, en qué se diferencia de otras herramientas similares y qué aspectos hay que tener en cuenta a la hora de elegir uno.
¿Qué es un catálogo de datos?
Un catálogo de datos es un sistema de gestión de metadatos que indexa los activos de datos de bases de datos, lagos de datos, almacenes de datos y fuentes en la nube, y los presenta en una interfaz regulada que permite realizar búsquedas.
Cuando un analista de datos busca «datos sobre la pérdida de clientes», el catálogo muestra todos los conjuntos de datos relevantes de todas las fuentes, junto con información contextual: quién es el propietario, cuándo se actualizó por última vez, cuál es su puntuación de calidad, qué transformaciones se le han aplicado y si ha sido certificado para su uso. Sin mensajes de Slack. Sin hojas de cálculo con los propietarios de los datos. Sin conjeturas.
Componentes fundamentales de un catálogo de datos:
- Repositorio de metadatos:almacenametadatos técnicos (esquema, origen, linaje) y metadatos de negocio (definiciones, titularidad, uso).
- Búsqueda y descubrimiento: Filtros por facetas, consultas en lenguaje natural y coincidencia de sinónimos para que los usuarios puedan encontrar recursos independientemente del nombre que les hayan dado.
- Glosario empresarial: Un vocabulario común que vincula los términos empresariales con los campos y tablas específicos que describen.
- Linaje de los datos:unmapa que muestra el origen de los datos, las transformaciones por las que han pasado y su destino final.
- Controles de gobernanza:políticas de acceso, asignaciones de responsabilidades, registros de auditoría y registros de cumplimiento.
- Indicadores de calidad: Puntuaciones de perfil, estado de validación y señales de actualidad asociadas a cada activo.
Cómo funciona un catálogo de datos
Un catálogo de datos ejecuta un proceso continuo en segundo plano para mantener actualizado su índice:
- Conéctate a las fuentes. El catálogo se conecta a bases de datos, almacenes en la nube, lagos de datos, herramientas de BI y fuentes de streaming a través de conectores nativos o API.
- Escanear e incorporar metadatos. Analiza automáticamente cada fuente para extraer metadatos técnicos: nombres de tablas, definiciones de columnas, tipos de datos, recuentos de filas, índices de valores nulos y relaciones.
- Clasificar y etiquetar. El aprendizaje automático clasifica los datos según su sensibilidad (información de identificación personal, información sanitaria protegida, datos financieros), ámbito (marketing, finanzas, producto) y calidad. Los responsables humanos pueden revisar y enriquecer estas etiquetas.
- Elaborar el glosario empresarial. Los responsables de datos y los propietarios de dominio asocian definiciones empresariales a los campos técnicos, vinculando el término «ingresos recurrentes mensuales» a las columnas exactas del esquema de facturación.
- Trazar el historial. El catálogo rastrea cada activo desde su origen, pasando por todas las transformaciones, procesos y capas de generación de informes, hasta su destino final.
- Publicar y gestionar. Los activos se publican en una interfaz con función de búsqueda que incluye controles de acceso, estado de certificación y análisis de uso. Los equipos solicitan acceso, los administradores lo aprueban y se registra cada acción.
- Supervisar de forma continua. Los controles de calidad se ejecutan según lo programado o se activan cuando se producen cambios en los datos. Las anomalías se muestran en forma de alertas. El linaje se actualiza automáticamente cuando cambian los flujos de trabajo.
Catálogo de datos frente a herramientas relacionadas
Las organizaciones suelen confundir un catálogo de datos con otras herramientas relacionadas. Cada una tiene una finalidad distinta, aunque a menudo se utilizan conjuntamente.
| Catálogo de datos | Diccionario de datos | Gestión de metadatos | Malla de datos | |
|---|---|---|---|---|
| Objetivo principal | Descubre, gestiona y confía en los activos de datos en toda la organización | Definir los significados a nivel de campo dentro de un sistema | Gestionar el ciclo de vida de los metadatos en todos los sistemas | Distribuir la responsabilidad sobre los datos entre los equipos de cada área |
| Usuarios principales | Analistas, administradores, ingenieros, equipos de cumplimiento normativo | Modeladores de datos, desarrolladores | Responsables y arquitectos de gobernanza de datos | Responsables de producto de dominio, ingenieros de plataforma |
| Alcance | Todos los activos de datos de todas las fuentes | Nivel de esquema o de aplicación | Normas sobre metadatos técnicos y empresariales | Productos de datos con ámbito de dominio |
| Función de gobernanza | Aplica políticas, realiza un seguimiento del historial y gestiona el acceso | Referencia definitoria | Establece normas y criterios de calidad para los metadatos | Gestiona los datos a nivel de producto dentro de los dominios |
| Búsqueda y descubrimiento | Sí, teniendo en cuenta el contexto empresarial y los indicadores de calidad | No | Parcial | No |
| Linaje | De principio a fin, automatizado | No | Parcial | Dentro del dominio |
| ¿Funciona con los demás? | Sí, un catálogo puede servir de interfaz para una red de datos. | Sí, un diccionario de datos alimenta los glosarios del catálogo. | Sí, la gestión de metadatos define qué es lo que almacena el catálogo | Sí, un catálogo puede mostrar productos de «data mesh». |
Catálogo de datos frente a diccionario de datos:undiccionario de datos define el significado de los campos dentro de un único sistema. Un catálogo de datos abarca todos los sistemas, aporta contexto empresarial y permite realizar búsquedas de los activos. Se necesita un diccionario de datos para crear un glosario; se necesita un catálogo para que resulte útil a gran escala.
Catálogo de datos frente a gestión de metadatos: La gestión de metadatos consiste en definir normas, titularidad y reglas del ciclo de vida de los metadatos. Un catálogo de datos es la herramienta que permite poner en práctica dichas normas. La práctica y la herramienta no son lo mismo.
Catálogo de datos frente a malla de datos: Una malla de datos distribuye la propiedad de los datos entre los equipos de dominio. Un catálogo de datos puede actuar como capa de descubrimiento y gobernanza sobre una malla de datos, de modo que los usuarios puedan encontrar productos de datos que pertenecen a un dominio sin necesidad de saber qué equipo es el responsable de cada uno.
¿Quién utiliza un catálogo de datos y por qué?
Los distintos roles obtienen información diferente de un catálogo de datos.
Analista de datos – Antes de un catálogo: el analista dedica dos días a averiguar quién es el responsable de la tabla del canal de ventas, si incluye operaciones canceladas y qué significa «ARR» en el esquema financiero. Después: una búsqueda de «ARR pipeline» arroja tres conjuntos de datos certificados, con definiciones, puntuaciones de calidad y una nota del equipo de operaciones de ingresos que confirma cuál hay que utilizar para los informes de la junta directiva. Tiempo hasta la primera consulta: menos de 20 minutos.
Ingeniero de datos – Dedica menos tiempo a documentar manualmente los flujos de datos. El catálogo genera automáticamente el linaje a medida que se ejecutan los flujos de datos, por lo que el análisis de impacto antes de un cambio de esquema se realiza en cuestión de minutos, en lugar de requerir una auditoría entre equipos. Cuando se produce un fallo en la fase anterior, el mapa de linaje muestra todos los activos afectados en las fases posteriores.
Responsable de datos – Gestiona la calidad y la titularidad de los datos desde una única interfaz. Establece normas de calidad, supervisa las puntuaciones, asigna la titularidad y resuelve los problemas señalados. Cada acción queda registrada a efectos de auditoría. El trabajo de gestión de datos ya no queda disperso entre tickets de Jira, hilos de correo electrónico y hojas de cálculo.
Responsable de cumplimiento normativo – Genera informes de trazabilidad listos para auditoría que muestran exactamente dónde entraron los datos de carácter personal en el sistema, cómo se transformaron, quién accedió a ellos y cuándo. Las solicitudes de derecho al olvido en virtud del RGPD son trazables de principio a fin. La documentación de trazabilidad según la norma BCBS 239 se genera de forma automatizada, en lugar de recopilarse manualmente cada trimestre.
Director de Datos – Dispone de una visión en tiempo real de la cobertura de los activos de datos, el estado de la calidad y la situación de la gobernanza en toda la organización. Es capaz de demostrar el retorno de la inversión de los productos de datos mediante análisis de uso. Hace cumplir las normas de gobernanza sin impedir que los equipos accedan a los datos que necesitan.
Ocho ventajas de un catálogo de datos
1. Búsqueda más rápida de datos
Los analistas encuentran conjuntos de datos fiables en cuestión de minutos, en lugar de días. Los catálogos modernos combinan la búsqueda semántica, la clasificación automatizada y un glosario empresarial, de modo que los usuarios pueden localizar los datos adecuados independientemente de cómo los denominen o en qué sistema se encuentren. Las organizaciones que pasan de las búsquedas de datos ad hoc a flujos de trabajo basados en catálogos registran reducciones en el tiempo de búsqueda de hasta un 60 %.
2. Mayor calidad de los datos
La creación automática de perfiles analiza los conjuntos de datos de forma continua para evaluar las tasas de valores nulos, los valores atípicos y los patrones de distribución. Las reglas de validación comprueban el cumplimiento de las normas empresariales y técnicas. Las puntuaciones de calidad aparecen directamente en cada activo, de modo que los usuarios saben si un conjunto de datos es fiable antes de elaborar un informe a partir de él.
| Capacidad | Qué hace | Resultado empresarial |
|---|---|---|
| Perfilado automatizado de datos | Analiza conjuntos de datos en busca de valores nulos, valores atípicos y patrones | Decisiones más rápidas en materia de confianza, menos sorpresas en producción |
| Reglas de validación | Comprueba el cumplimiento de las normas establecidas | Evita que los errores se propaguen hacia las etapas posteriores |
| Puntuación de calidad | Resume el estado de salud en un indicador sencillo | Orientará a los usuarios hacia los datos más adecuados para su caso de uso |
| Detección de anomalías | Señala cambios inesperados en el volumen o la distribución | Alerta temprana, solución más rápida |
3. Cumplimiento normativo y auditabilidad
Un catálogo de datos centraliza el linaje, las clasificaciones, los registros de acceso y las etiquetas de políticas, de modo que los equipos de cumplimiento normativo puedan responder a cualquier pregunta de auditoría sin tener que buscar en distintos sistemas. ¿Quién ha accedido a este conjunto de datos, cuándo y por qué? ¿Qué tablas contienen información de carácter personal? ¿Qué datos se incluyen en este informe reglamentario? El catálogo responde a todas estas preguntas desde un único lugar.
4. Linaje de datos de principio a fin
El linaje de datos traza el recorrido de cada activo de datos desde su origen hasta su consumo, pasando por todas las transformaciones, los flujos de datos y las capas de generación de informes. Cuando se produce un fallo, los ingenieros lo localizan en cuestión de minutos. Cuando cambia el esquema de una fuente, el análisis de impacto muestra todos los activos posteriores que corren riesgo antes de que se aplique el cambio.
5. Análisis de autoservicio
Cuando los datos son localizables, están bien definidos y son fiables, los analistas realizan sus propias consultas en lugar de esperar a que los equipos de datos elaboren los informes. El autoservicio requiere contexto, no solo acceso. Un catálogo proporciona las definiciones, los indicadores de calidad y el historial de uso que permiten que una persona sin conocimientos de ingeniería pueda seleccionar un conjunto de datos y utilizarlo con total seguridad.
6. Colaboración y recopilación de conocimientos
Las anotaciones, los términos del glosario, las notas de uso y las certificaciones de los activos se van acumulando con el tiempo y se convierten en la memoria de la organización. Los nuevos analistas se incorporan más rápido porque el contexto ya figura en el catálogo. Los equipos reutilizan conjuntos de datos certificados en lugar de volver a crear desde cero conjuntos de datos prácticamente idénticos.
7. Eficiencia operativa
Menos tiempo dedicado en Slack a preguntar quién es el responsable de una tabla. Menos incidencias relacionadas con la calidad de los datos por utilizar una versión incorrecta de un conjunto de datos. Menos auditorías manuales de los flujos de trabajo antes de los cambios en el esquema. Estos ahorros se acumulan en todos los equipos que trabajan con datos.
8. Gobernanza activa de la inteligencia artificial y la analítica
Los catálogos modernos aplican la gobernanza de forma continua, en lugar de mediante revisiones periódicas. Los metadatos se actualizan automáticamente a medida que cambian los datos. Las políticas controlan el acceso en el momento de la solicitud, en lugar de a posteriori. Esto es especialmente importante para las organizaciones que desarrollan productos de IA: los modelos de IA necesitan datos de entrada limpios, trazables y regulados, y un catálogo de datos es la infraestructura que garantiza que se cumplan esas condiciones.
Cómo evaluar un catálogo de datos
Ten en cuenta estos ocho criterios a la hora de comparar opciones:
1. Cobertura de metadatos – ¿Se conecta con todas las fuentes que utilizas: almacenes en la nube, bases de datos locales, sistemas de streaming, herramientas de BI, almacenes de características de aprendizaje automático? Las lagunas en la cobertura suponen lagunas en la gobernanza.
2. Calidad de la búsqueda – ¿Pueden los usuarios encontrar recursos utilizando lenguaje empresarial, y no solo nombres técnicos de tablas? Prueba las consultas en lenguaje natural y la coincidencia de sinónimos antes de decidirte por una plataforma.
3. Profundidad del linaje – ¿El linaje realiza un seguimiento de las transformaciones a nivel de columna o solo de los flujos a nivel de tabla? El linaje a nivel de columna es imprescindible para realizar un análisis de impacto riguroso y garantizar la trazabilidad normativa.
4. Automatización de la gobernanza – ¿Puede el catálogo aplicar las políticas de acceso de forma automática, o la gobernanza requiere una intervención manual para cada solicitud? La automatización marca la diferencia entre una gobernanza que funciona a gran escala y una que solo existe sobre el papel.
5. Preparación para la IA – ¿Admite el catálogo la clasificación automática, la búsqueda basada en el procesamiento del lenguaje natural (NLP), las recomendaciones basadas en el aprendizaje automático (ML) y la integración con flujos de trabajo de modelos de lenguaje a gran escala (LLM)? En 2026, un catálogo que requiera el etiquetado manual a gran escala supondrá un cuello de botella.
6. Alcance de la integración – ¿Con cuántos conectores nativos viene de serie? ¿Es muy compleja la configuración para los sistemas que ya utilizas?
7. Escalabilidad – ¿Cómo se mantiene el rendimiento a medida que el número de activos pasa de miles a cientos de miles? Pide referencias de clientes con una escala similar a la tuya.
8. Diseño de la adopción – Un catálogo solo funciona si la gente lo utiliza. ¿La interfaz resulta accesible para usuarios sin conocimientos técnicos? ¿Se integra con las herramientas con las que ya trabajan los analistas, como Tableau, dbt o Jupyter?
Preguntas frecuentes
Un diccionario de datos define el significado de los campos dentro de un sistema o una base de datos concretos. Un catálogo de datos abarca todos los sistemas de una organización, aporta contexto empresarial, linaje, indicadores de calidad y gobernanza, y permite que cualquier persona pueda realizar búsquedas en todo el conjunto de datos.
No. Un catálogo de datos se conecta a cualquier fuente de la que dispongas: bases de datos relacionales, almacenes de datos en la nube, sistemas locales, aplicaciones SaaS y plataformas de streaming. Un lago de datos es una de las posibles fuentes, pero no un requisito previo.
La conexión inicial y la importación de metadatos en un entorno pequeño pueden llevar varios días. La implantación completa, que incluye un glosario empresarial, políticas de gobernanza, asignaciones de gestión y formación de los usuarios, suele tardar entre 6 y 12 semanas en equipos de tamaño medio. En el caso de organizaciones más grandes con entornos híbridos complejos, el proceso es más largo.
Un catálogo de metadatos activo actualiza sus registros de forma continua a medida que cambian los datos, en lugar de hacerlo según un ciclo de actualización programado. El historial se actualiza cuando se ejecutan los flujos de trabajo. Las puntuaciones de calidad se actualizan cuando llegan nuevos datos. Las clasificaciones se ajustan a medida que cambia el contenido. De este modo, el catálogo se mantiene preciso sin necesidad de intervención manual.
Los modelos de IA requieren datos de entrenamiento limpios, trazables y regulados. Un catálogo registra la procedencia de los conjuntos de datos de entrenamiento, las transformaciones a las que se han sometido, quién los ha certificado y qué estándares de calidad cumplen. En el caso de los flujos de trabajo RAG y el ajuste fino de los modelos de lenguaje grande (LLM), este historial es necesario para garantizar la reproducibilidad y el cumplimiento normativo.
La gestión de metadatos consiste en definir normas, asignar la titularidad y regular el ciclo de vida de los metadatos. Un catálogo de datos es la herramienta que permite poner en práctica dichas normas. Se necesitan ambos, pero no son lo mismo.
Sí. En una «data mesh», los equipos de cada dominio son los responsables de los productos de datos y se encargan de publicarlos. El catálogo de datos actúa como capa de descubrimiento y gobernanza en la parte superior: una única interfaz en la que cualquier usuario puede encontrar productos de datos de todos los dominios, con estándares de calidad y controles de acceso uniformes, independientemente del dominio al que pertenezcan los datos.
La certificación de datos es un proceso formal en el que un gestor de datos o un responsable de dominio revisa un activo y lo marca como aprobado para un uso específico. Los conjuntos de datos certificados aparecen con una insignia en los resultados de búsqueda del catálogo, de modo que los usuarios saben que pueden confiar en ellos sin necesidad de una validación adicional.
Un mercado de datos es una capa que se superpone al catálogo y que permite a los equipos publicar, solicitar y transferir productos de datos de manera formal, a menudo con flujos de trabajo de aprobación y seguimiento de los acuerdos de nivel de servicio (SLA). El catálogo es la base; el mercado es la capa de adquisición y distribución construida sobre él.
Un catálogo permite hacer un seguimiento de dónde se encuentran los datos personales, cómo circulan por la organización, quién puede acceder a ellos y cuándo se modificaron por última vez. Cuando se recibe una solicitud de supresión en virtud del RGPD, los equipos de cumplimiento normativo utilizan el historial de datos para identificar todos los sistemas en los que se encuentran los datos de esa persona y confirmar su supresión.
