Inteligencia de datos

Los errores más comunes que hay que evitar al implementar un catálogo de datos

errores en la implementación de datos

La mayoría de las implementaciones de catálogos de datos fracasan mucho antes de que lo haga la herramienta. Se instala el software, los conectores funcionan y el catálogo se va llenando de tablas. Pero luego nadie lo utiliza, porque nadie ha decidido quién es el responsable, para qué sirve ni cómo se deben cumplir sus normas.

A continuación se enumeran los 10 errores más comunes en la implantación de un catálogo de datos y cómo solucionar cada uno de ellos.

Principales conclusiones

  • El éxito o el fracaso de la implantación de un catálogo depende de las decisiones que se tomen antes de utilizar el software: la responsabilidad, los objetivos y el alcance.
  • La automatización introduce los metadatos en el catálogo. Las personas les aportan significado empresarial. Los catálogos que se utilizan necesitan ambas cosas.
  • Las normas de gobernanza que se recogen en un documento suelen pasarse por alto cuando hay que cumplir un plazo. Incorpora las normas a la plataforma en forma de contratos de datos.
  • Los metadatos quedan obsoletos a medida que cambian las fuentes. La sincronización continua, las alertas de desviaciones y un presupuesto de mantenimiento garantizan que se mantengan actualizados.

1. Depender de la automatización sin tener en cuenta el contexto empresarial

El escaneo automatizado es lo que permite que un catálogo sea escalable. Captura con precisión los esquemas, los tipos de datos y las rutas de linaje. Lo que no puede captar es el significado de los datos, cómo deben utilizarse o por qué se transformaron de la forma en que lo hicieron.

Un catálogo basado únicamente en la automatización está repleto de detalles técnicos y carece de significado. Un escaneo automatizado podría indexar una tabla llamada «customer_list». Si nadie le añade contexto, un analista podría utilizarla para analizar la pérdida de clientes, sin saber que se trata de una lista temporal de segmentación de marketing.

Atributo Solo la automatización Automatización + Contexto empresarial
Qué se graba Esquema, tipos de datos y rutas de linaje Lo mismo, además de una definición empresarial del significado de cada campo
Cómo deciden los analistas en qué confiar Lo deducen a partir de los nombres de las tablas y las columnas Ven la finalidad de los datos y quién es su titular
En qué falla Una lista de segmentación se utiliza para el análisis de la pérdida de clientes Las preguntas de admisión recogen el uso previsto antes de que nadie lo consulte
¿Qué te dice el linaje? Que un valor se haya transferido de un sistema a otro Por qué se transformó, según el administrador que es su propietario

Cómo evitarlo: Incorpora algunas preguntas obligatorias en el flujo de trabajo de curación: a qué función empresarial sirven los datos, quién debe utilizarlos y qué normas se aplican. Recopilar esas respuestas cuando los datos se incorporan al catálogo permite mantener los metadatos técnicos vinculados a su significado empresarial. Para más información, consulta las trampas de la curación que merman la calidad del catálogo incluso después de haber implantado la automatización.

2. Lanzar un catálogo sin unos objetivos claros

Un mandato como «basarse más en los datos» no ofrece ningún criterio de medición para la implementación. Sin un objetivo definido, los equipos acaban catalogando todas las fuentes a las que pueden acceder. Ese enfoque de «querer abarcarlo todo» agota el presupuesto y la confianza antes de que los usuarios de la empresa perciban ningún valor.

«Nunca he visto que el enfoque del “big bang” funcione», escribe Emma McGrattan en «Fundamentos para una mejor gestión de los datos empresariales». Su diagnóstico: «Las empresas suelen confundir la actividad con los resultados». Un nuevo catálogo es una actividad. Dedicar menos horas a buscar datos es un resultado.

Cómo evitarlo: Define qué debe conseguir el catálogo antes de evaluar a los proveedores. Elige uno o dos objetivos que puedas medir:

  • Reducir en un porcentaje determinado el tiempo que dedica un equipo concreto a buscar datos.
  • Cumplir con un requisito de auditoría específico, como el RGPD, la HIPAA o la norma BCBS 239, para un conjunto definido de datos.
  • Catalogar y gestionar de forma exhaustiva los datos que alimentan una iniciativa concreta de inteligencia artificial (IA) o de inteligencia empresarial (BI).

Comprueba los resultados en relación con esos objetivos a los 90 días antes de ampliar el alcance.

3. Dejar la implementación sin asignar un responsable

Un catálogo sin un propietario designado se atribuye por defecto a quien lo haya instalado, normalmente el departamento de TI o de ingeniería de datos. Esos equipos pueden mantener los conectores en funcionamiento y la plataforma operativa. Sin embargo, no pueden validar las definiciones de negocio, documentar cómo deben utilizarse los datos ni resolver desacuerdos entre departamentos sobre el significado de un término.

Cómo evitarlo: designa tres funciones al inicio del proyecto, no después de la primera constatación de la auditoría:

  • Un responsable técnico se encarga de que los conectores, el acceso y la disponibilidad funcionen correctamente.
  • Los responsables de datos son expertos en la materia que se encargan de garantizar la precisión de las definiciones y el contexto empresarial de su ámbito.
  • Un responsable de gobernanza es un directivo que resuelve los desacuerdos entre distintos ámbitos y vincula los objetivos del catálogo con los objetivos empresariales.

Es difícil conseguir financiación para las tareas de gobernanza hasta que surge algún problema. Un equipo pequeño con responsabilidades bien definidas consigue más resultados que un comité numeroso sin ellas, y resulta más fácil justificarlo antes de que se produzca el primer incidente.

4. Redactar políticas de gobernanza en lugar de hacerlas cumplir

La mayoría de las normas de gobernanza se recogen en un documento: quién puede acceder a qué, cómo se clasifican los datos y qué se considera información sensible. El documento es preciso hasta que un equipo, bajo la presión de un plazo, decide saltárselo. Nada les detiene, porque no hay ningún control. Esto suele ser la razón por la que los programas de gobernanza se estancan antes incluso de empezar.

Cómo evitarlo: Incorpora la norma a la plataforma en forma de contrato de datos. Un contrato de datos es un acuerdo legible por máquina entre el equipo que genera los datos y los equipos que los utilizan. Comprueba automáticamente el esquema, la clasificación y las normas de acceso antes de que se entreguen los datos, por lo que nadie tiene que recordar la política. Descubre cómo funcionan los contratos de datos.

Dimensión Gobernanza escrita Gobernanza impuesta
Dónde se encuentra la norma Un PDF o una página wiki Un contrato de datos en la plataforma
¿Qué ocurre cuando se está bajo la presión de un plazo? Los equipos se saltan el control La comprobación se lleva a cabo de todos modos
Estado de cumplimiento Elaborado a toda prisa antes de una auditoría Visible en tiempo real
Pruebas de auditoría Reconstruido a mano Ya registrado mediante el linaje automático a nivel de campo

Los contratos de datos surgieron de la práctica, no de la teoría. Jean-Georges Perrin remonta el origen del concepto a una plantilla que creó en PayPal para la implantación de una red de datos (data mesh). Según Perrin, su adopción está creciendo rápidamente: las organizaciones que utilizan Bitol, el proyecto de código abierto que sustenta el Estándar de Contratos de Datos Abiertos (ODCS), pasaron de ser 9 en marzo de 2025 a 114 en 21 países en mayo de 2026, lo que supone un aumento de 13 veces.

5. Imponer la centralización en lugar de fomentar la federación en la titularidad de los datos

Canalizar las definiciones, la selección y las autorizaciones de acceso de todos los dominios a través de un único equipo central convierte a ese equipo en una cola. Las solicitudes se acumulan, la entrega se ralentiza y las unidades de negocio crean sus propias hojas de cálculo y procesos para sortear el problema. Esa es precisamente la misma expansión descontrolada que el catálogo pretendía solucionar.

Dimensión Centralizado Federado
¿Quién elabora los modelos a partir de los datos? Un equipo central se encarga de definir y publicar los datos de cada dominio Cada dominio modela sus propios datos utilizando estándares comunes
Dónde se produce el cuello de botella El equipo central aprueba los cambios realizados por todos los demás equipos Ningún equipo bloquea a otro; las definiciones se armonizan en una capa compartida
¿Qué ocurre con la confianza? Los equipos trabajan con un sistema que no controlan Los equipos confían en un sistema que refleja las definiciones que utilizan
Evolución del coste a lo largo del tiempo Rápido al principio, pero lento a la hora de ampliar más allá de unos pocos dominios Se tarda más en establecer normas, pero se adapta a medida que crecen los ámbitos

Cómo evitarlo: Deja que cada área, como Finanzas, Marketing o Cadena de Suministro, mantenga el control sobre sus propias definiciones, al tiempo que contribuye a una capa semántica compartida (un mapa común del significado de los términos empresariales). Que haya una única fuente de verdad no tiene por qué significar que un solo equipo tenga que hacer todo el trabajo. 

6. Dejar que los metadatos del catálogo queden desactualizados

Los sistemas de origen cambian constantemente. Se cambia el nombre de una columna, se retira una tabla, un responsable cambia de trabajo. Cuando un catálogo depende de que las personas actualicen la documentación manualmente, se queda rápidamente desactualizado en docenas o cientos de fuentes.

El daño va más allá de una sola entrada. Cuando un analista sigue una entrada del catálogo y se encuentra con una consulta errónea o un número incorrecto, deja de confiar en todo el catálogo. Según Gartner, el 88 % de las organizaciones carecen de una gestión activa de metadatos, por lo que la mayoría de los catálogos muestran una instantánea del estado de los datos en el momento en que alguien los documentó por última vez.

Cómo evitarlo: Utiliza metadatos activos, es decir, metadatos que se mantengan sincronizados continuamente con sus fuentes:

  • Sincronización continua: los conectores detectan automáticamente los cambios estructurales en los sistemas de origen.
  • Detección de desviaciones: El catálogo señala las columnas renombradas, los tipos de datos modificados o las tablas que faltan, y avisa al administrador antes de que un informe deje de funcionar correctamente.
  • Linaje automático: el linaje a nivel de columna se actualiza cuando cambian las transformaciones, sin necesidad de volver a asignar manualmente.

7. Elegir un catálogo que no pueda adaptarse al crecimiento de tus fuentes de datos

Muchos equipos eligen un catálogo adaptado a las necesidades actuales, normalmente uno que analiza un único almacén de datos en la nube. La mayoría de las empresas también utilizan bases de datos operativas, sistemas locales más antiguos, aplicaciones SaaS, paneles de BI y plataformas de streaming. Un catálogo que no pueda conectarse a ellos deja puntos ciegos y puede pasar de ser una base sólida a convertirse en un proyecto de migración.

Cómo evitarlo: Infórmate sobre la cobertura de los conectores durante la selección, no cuando se atasque la primera solicitud de integración. Comprueba la cobertura en toda tu pila:

  • Almacenamiento y procesamiento: almacenes en la nube, lagos de datos, almacenamiento de objetos y bases de datos relacionales.
  • Integración: flujos de trabajo ETL y ELT (las tareas que extraen, transforman y cargan datos), marcos de trabajo de streaming y herramientas de orquestación.
  • Análisis: herramientas de BI, entornos de ciencia de datos y API.

Para obtener una visión más amplia del mercado, consulta la comparación entre 21 proveedores de soluciones de gobernanza de datos en la Matriz SPARK de 2026.

8. Prescindir de la formación y la adopción por parte de los usuarios reales

Los equipos suelen dar por sentado que un catálogo bien diseñado se utilizará por sí solo. Pero no es así. Un catálogo sin usuarios es como un archivador bien organizado que nadie abre. Hay que fomentar su uso.

Cómo evitarlo: Adapta la formación a los flujos de trabajo que ya utilizan los usuarios, no a la lista de funciones. Recaba opiniones de los usuarios antes del lanzamiento, no cuando la adopción se estanque. Y ofrece a cada rol la vista que necesita:

  • Analistas de negocios y responsables de la toma de decisiones: búsqueda por término empresarial, definiciones claras, orientación sobre el uso e indicadores de calidad.
  • Ingenieros y arquitectos de datos: linaje a nivel de columna, historial de cambios en el esquema, análisis de impacto y acceso a la API.
  • Responsables de datos y coordinadores de gobernanza: gestión de políticas, flujos de trabajo de solicitudes de acceso e informes de cumplimiento.

9. Considerar la implantación como un proyecto puntual

Cada implementación tiene una fecha de lanzamiento. Muy pocas cuentan con un presupuesto de mantenimiento. Esa laguna es la causa de que la mayoría de los catálogos se queden obsoletos sin que nadie se dé cuenta, a medida que llegan nuevos conjuntos de datos, flujos de trabajo y unidades de negocio sin que haya nadie encargado de gestionarlos.

Cómo evitarlo: Asigna un presupuesto para la curación de contenidos, los ciclos de revisión y la cobertura de nuevas fuentes como partida presupuestaria permanente. A continuación, amplía la iniciativa por etapas, demostrando su valor decisión a decisión. El marco de 90 días de Emma McGrattan, extraído de «Fundamentos para una mejor gestión de los datos empresariales» te ofrece una estructura inicial:

Fase Enfoque Acciones clave
Días 1 a 30 Asegurar la claridad y la implicación Identificar entre 10 y 15 conjuntos de datos fundamentales, asignar un responsable concreto a cada uno de ellos y acordar definiciones comunes para entre 5 y 10 métricas clave.
Días 31 a 60 Establecer controles y un seguimiento desde el principio Establecer contratos de datos básicos para dos o tres conjuntos de datos críticos, solucionar los problemas de calidad más graves y documentar el linaje de los conjuntos de datos clave.
Días 61 a 90 Incorporar las prácticas y alinearlas con los objetivos empresariales Revisar las políticas de acceso, demostrar cómo el trabajo ha contribuido a una iniciativa concreta y conseguir el apoyo de la dirección para ampliarla

 

10. Agentes de IA sin límites de acceso

Los agentes de IA ahora consultan los catálogos directamente. Buscan en los metadatos para encontrar conjuntos de datos, escriben código SQL y generan respuestas, lo que los convierte en un nuevo tipo de usuario de los catálogos. Si los controles de acceso no se han diseñado teniendo en cuenta a estos agentes, uno de ellos podría ver los metadatos de datos restringidos y reproducirlos en una respuesta. Esto incluye información personal sin ocultar, nóminas y resultados financieros aún no publicados.

Cómo evitarlo: Concede «solo el acceso necesario» a cada usuario, ya sea humano o una IA. Incorpóralo desde el principio, en lugar de añadirlo a posteriori cuando el primer proyecto de IA solicite acceso:

  • Acceso basado en roles a nivel de campo: limita lo que cada persona o agente puede ver, hasta el nivel de campos individuales, y oculta automáticamente los campos confidenciales.
  • Un conjunto de normas para personas y agentes: asegúrate de que las conexiones de IA, como las que utilizan el Protocolo de Contexto de Modelo (MCP), sigan las mismas normas de acceso y los mismos contratos de datos que los usuarios humanos.
  • Registros de auditoría de las consultas de los agentes: Registra todas las solicitudes de metadatos que realice un agente para que los equipos de cumplimiento normativo puedan revisarlas.

Preguntas frecuentes

Una implantación por fases que comience con un caso de uso de gran valor puede demostrar su utilidad en cuestión de semanas. Un plan de implantación típico para el mercado medio prevé un ciclo de nueve semanas, desde la fase de análisis hasta la revisión. Un lanzamiento a gran escala en todos los sistemas suele llevar varios trimestres.

No. Un catálogo puede funcionar con tablas de metadatos estándar. Sin embargo, sin un sistema de gestión de metadatos ( gráfico de conocimiento), la búsqueda se limita a la coincidencia de palabras clave, y resulta mucho más difícil mantener una gobernanza federada entre dominios.

Un diccionario de datos define los campos, los tipos de datos y los formatos de una base de datos o una aplicación. Un catálogo de datos abarca los metadatos de toda la organización e incluye aspectos como la localización, el linaje, la propiedad y la gobernanza. Un diccionario es un glosario; un catálogo es un mapa.

Sí, y a menudo resulta más fácil. Los contratos de datos se pueden establecer en origen para tus flujos de trabajo más importantes antes de que se cataloguen todos los conjuntos de datos, de modo que su aplicación no tenga que esperar a que se alcance una cobertura total.

Mide los resultados, no el número de activos. Realiza un seguimiento de:

  • Tiempo necesario para realizar una tarea determinada.
  • Colaboradores activos que añaden o validan el contexto empresarial.
  • Uso de los conjuntos de datos en relación con tu objetivo inicial.
  • Se registran menos errores debidos a cambios en el esquema no anunciados.