Gobierno de datos: cuando nadie es dueño, cada área inventa su propia verdad

El gobierno de datos es el marco que establece quién tiene el derecho de decidir sobre los datos de una organización y quién responde por esas decisiones. En la formulación fundacional de Khatri y Brown, nace de una presión concreta de negocio: la de poder reportar “una sola versión de la verdad” en toda la empresa. Cuando ese marco no existe —o existe en un organigrama pero nadie lo ejerce—, el vacío no queda vacío: cada área lo llena con sus propios criterios. Así aparece el síntoma que todo comité reconoce: dos reportes sobre el mismo negocio que no cierran. Rastrear por qué no cierran conduce casi siempre al mismo origen: no hay un dueño del dato ni una definición común detrás de esas cifras.

El gobierno de datos define quién decide, no qué herramienta se compra

Gobernar los datos es ejercer autoridad y control sobre cómo se gestionan, con un propósito de negocio explícito: aumentar el valor del dato y reducir su costo y su riesgo. Esa es, en esencia, la definición que consolida la revisión de Abraham y sus colegas. El punto que el directorio no puede perder de vista es cuál es el objeto de ese control. No son los servidores ni el software: son los derechos de decisión.

Khatri y Brown lo separaron con precisión hace más de una década. El gobierno responde qué decisiones deben tomarse sobre el dato y quién tiene el derecho a tomarlas; la gestión es ejecutar esas decisiones. Establecer quién define el estándar de “cliente activo” es gobierno. Calcular después cuántos clientes activos hay es gestión. La mayoría de las organizaciones invierte en lo segundo y deja lo primero sin asignar, y ahí empieza el problema.

Confundir gobierno con herramienta tiene una consecuencia costosa. Una organización puede comprar el mejor catálogo de datos del mercado y seguir sin saber quién responde cuando dos áreas reportan ingresos distintos. La herramienta ejecuta reglas; no decide quién las fija. Por eso un dato vale por lo que permite decidir, más que por lo que abunda. El trabajo fundacional de Wang y Strong definió la calidad como “adecuación al uso”. Y esa adecuación depende de que alguien haya acordado antes qué uso tiene el dato y quién responde por él.

Sin dueño del dato, cada área construye su propia versión de la verdad

La propiedad difusa del dato es un problema estructural: surge de cómo está repartida —o de si está repartida— la responsabilidad sobre cada dato. Cuando ningún rol la tiene de forma explícita, nadie se equivoca al definir el dato a su manera. Marketing cuenta con una definición de “cliente” específica, finanzas con otra, y ambas tienen razón dentro de su propia lógica. El resultado es que conviven dos verdades en paralelo, cada una alimentando sus propios reportes.

El desacople en la definición de los conceptos clave del negocio no aparece de un día para otro. Los silos de datos son producto de años de desarrollo aislado, como documentaron Smith y McKeen. Cada sistema se construyó para su área —con sus definiciones y sus formatos— sin un acuerdo transversal. Con el tiempo, esas diferencias se sedimentan y vuelven casi inutilizable el dato que cruza áreas. Cuando llega a los reportes, esa fragmentación sin dueño es lo que la organización termina percibiendo como “mala calidad de datos”.

El costo se paga en la confianza, que es lo que un comité necesita para decidir. Una encuesta de 2025 de Salesforce a más de 500 líderes de negocio en Estados Unidos encontró que la confianza en los datos que sostienen sus decisiones está cayendo. Menos de la mitad se siente segura de poder usarlos para decidir y actuar. Cuando la confianza en la cifra se erosiona, cada reunión gasta su primera media hora discutiendo cuál número es el correcto en lugar de qué hacer con él.

Los datos maestros son el mismo cliente visto por toda la empresa

Los datos maestros son el núcleo de datos que toda la organización comparte: cliente, producto, proveedor, ubicación. Su gobierno decide si la empresa ve un solo cliente o varios distintos según el sistema que consulte. Cuando el mismo cliente figura con tres identidades en CRM, facturación y logística, ninguna suma da igual, y la consolidación se vuelve un ejercicio manual que nadie puede auditar.

Gestionar esos datos es mucho más que un proyecto de tecnología. Montar una función de datos maestros implica cambios en la organización, en las personas y en sus formas de trabajo, no solo en el sistema. La investigación de Vilminko-Heikkinen sobre gestión de datos maestros es contundente en ese punto. Tratarla como una migración de IT —mover tablas de un lado a otro— garantiza que el problema vuelva, porque el problema nunca estuvo en las tablas.

Hay, además, un motor que el directorio conoce bien: el cumplimiento. Cuando la autoridad regulatoria exige trazabilidad sobre un cliente o un producto, la empresa descubre de golpe cuántas versiones de ese dato tenía dando vueltas. Unificarlas deja de ser opcional. En grandes proveedores de servicios, esa presión regulatoria fue uno de los impulsores que volvió prioritaria la calidad del dato maestro, según el trabajo de campo de Otto (2011). La exigencia externa es, muchas veces, lo que fuerza a poner un dueño y una definición única donde antes había varias.

Las definiciones compartidas evitan que “venta” signifique cosas distintas

Una definición compartida es lo que hace que “venta”, “cliente activo” o “unidad vendida” signifiquen lo mismo en toda la organización. Sin ese acuerdo, dos áreas usan la misma palabra para medir cosas distintas, y sus reportes divergen sin que ninguna esté equivocada.

Formalizar ese significado es construir una capa ontológica: un modelo explícito de los conceptos del negocio y de cómo se relacionan entre sí. Es más que una lista de términos.

Fija qué es cada concepto, cómo se vincula con los demás y bajo qué reglas. Y eso convierte datos sueltos en información sobre la que se puede decidir.

El glosario de negocio es el punto de entrada visible de esa capa. Un glosario especifica los términos del negocio, sus definiciones y —lo decisivo— sus relaciones, según describe el estudio industrial de Eichler y su equipo. Así da una semántica coherente y compartida en toda la empresa.

La capa ontológica lleva esas relaciones un paso más allá: las vuelve explícitas y legibles por las máquinas. Así, no solo las personas comparten el mismo significado, sino también los sistemas y los modelos de IA que consumen el dato. Funciona como referencia operativa: cada sistema y cada reporte alinean su vocabulario con ella.

Definiciones, relaciones y glosario son, en rigor, metadatos: datos que describen el dato —qué significa, de dónde viene, cómo se calcula—. Y no son un tema secundario del gobierno. Khatri y Brown ubicaron a los metadatos como uno de sus cinco dominios de decisión, junto con los principios, la calidad, el acceso y el ciclo de vida del dato. Acordar qué significa cada dato es una de las decisiones centrales que el gobierno existe para tomar. Postergarla es postergar el gobierno mismo.

El gobierno fracasa cuando se lo trata como proyecto técnico

La causa más frecuente de fracaso del gobierno de datos no es técnica, es de encuadre. Gartner prevé que para 2027 el 80% de las iniciativas de gobierno de datos y analítica fracasará por no anclarse a una crisis o a un resultado de negocio real. En palabras de su analista Saul Judah, “un programa de gobierno que no habilita resultados de negocio priorizados fracasa”. El gobierno que se justifica solo por prolijidad, sin un resultado que lo exija, pierde tracción en meses.

Para el comité, esto tiene una consecuencia práctica: el gobierno se gana nombrando responsables y cambiando conductas, más que comprando software. Dos revisiones del equipo de Walsh lo respaldan. La primera, sobre por qué las empresas gobiernan sus datos, encontró que las motivaciones están dominadas por la tecnología y la operación. Ese exceso de foco tecnológico puede debilitar el objetivo de negocio que debería justificar la inversión. La segunda, sobre veinte casos reales de implementación, halló que el resultado depende sobre todo de gestionar a las personas y sus conductas con el dato. Pesa más eso que la teoría o la herramienta. La parte difícil es humana.

En el mercado aparecen, además, arquitecturas más nuevas que se presentan como la solución: data mesh y data fabric. Ambas prometen integrar el significado del dato en una capa semántica común. Conviene mirarlas con expectativas realistas. El análisis de Blohm y su equipo advierte que todavía falta evidencia sólida de que, por sí solas, habiliten un gobierno efectivo. Hay, además, un límite de fondo: aun siendo una disciplina madura, el gobierno de datos todavía carece de una definición formal y de prácticas de implementación estables entre organizaciones. Así lo señala la revisión sistemática de Bližnák y sus colegas. Si ni el marco está consensuado, cada área lo resuelve como puede: exactamente el vacío del que parte este problema.

Para el directorio, gobernar el dato es asignar responsabilidad sobre las cifras que sostienen sus decisiones

Para un directorio, la decisión concreta se reduce a un nombre y apellido: quién responde por cada cifra sobre la que la empresa decide. La conducción hace mucho más que aprobar inversiones. Fija la estrategia, controla la gestión y rinde cuentas ante reguladores y accionistas, y todas esas funciones se apoyan en las mismas cifras. Cuando esas cifras no tienen un dueño que responda por ellas, cada área las arma a su manera, y el directorio decide y controla sobre versiones que compiten entre sí. El gobierno de datos es, en el fondo, un acuerdo sostenido sobre quién responde por el significado de cada cifra. Eso es lo que hace que una cifra signifique lo mismo en todos esos usos. Ya sea que se apruebe un presupuesto, se evalúe un resultado o se lo reporte afuera, es el mismo número. Nombrar a ese responsable —y acordar la definición que va con él— es una decisión que el directorio no puede delegar.

Preguntas frecuentes