En este artículo
Imagina la escena. Reunión de revisión trimestral. Están el director general, el director comercial, el director financiero y el controller.
El director comercial abre con los números: "Hemos facturado 4,2 millones en el trimestre. Muy por encima del objetivo."
El director financiero frunce el ceño: "Yo tengo 3,9 millones. ¿De dónde sacas 4,2?"
El controller consulta su pantalla: "Mi dato es 4,1. Aunque depende de si incluimos las facturas rectificativas de enero."
Silencio. Tres personas, tres números distintos, ninguno claramente incorrecto. Y la reunión que debería ser sobre estrategia se convierte en un debate forense sobre contabilidad. Quién tiene razón. Por qué no cuadra. De qué sistema ha sacado cada uno su cifra. Si hay que sumar o restar los abonos. Cuarenta y cinco minutos después, nadie ha tomado ninguna decisión sobre el negocio.
Este escenario —que le resulta familiar a cualquiera que haya trabajado en una PYME con más de un sistema de información— no es un problema técnico. Es un problema de gobernanza de datos.
La gobernanza de datos no es solo tecnología. Tampoco es solo proceso. Es la combinación de ambas cosas: el conjunto de reglas, responsabilidades y herramientas que garantizan que los datos de una organización sean fiables, consistentes y usables por las personas que los necesitan.
La analogía que mejor lo explica es la de un código de construcción. Cuando se construye un edificio, no basta con que el arquitecto tenga buenas ideas. Hay normas que regulan la resistencia de los materiales, el grosor de las paredes, la altura de las salidas de emergencia. Esas normas existen no para poner trabas, sino para garantizar que el edificio sea seguro y habitable. Sin ellas, cada constructor haría lo que le pareciera mejor — y el resultado sería un caos.
La gobernanza de datos hace lo mismo con la información de tu empresa. Define quién es responsable de cada dato, cómo se define cada métrica, qué estándares de calidad deben cumplirse y quién puede acceder a qué información. Sin estas reglas, cada departamento construye su propio edificio de datos — y los edificios no encajan entre sí.
Hay cuatro áreas que cualquier programa de gobernanza —grande o pequeño— debe cubrir. En una PYME no necesitas equipos especializados para cada una, pero sí necesitas tener respuestas claras a las preguntas que plantea cada pilar.
La primera pregunta que hay que responder es: ¿quién decide? ¿Quién es responsable de que el dato "cliente activo" sea correcto? ¿Quién valida que el margen bruto está bien calculado? ¿Quién actualiza la tabla de precios cuando hay una revisión?
Sin un dueño asignado, nadie es responsable de la calidad. Y cuando nadie es responsable, todos se quejan de que el dato está mal pero nadie lo corrige. El data ownership no significa que esa persona tenga que tocar el dato a diario — significa que tiene la responsabilidad de garantizar su calidad y de tomar decisiones sobre su definición cuando hay ambigüedad.
En una PYME típica, el controller es el owner natural de los datos financieros, el responsable de ventas lo es de los datos de CRM y clientes, y el jefe de operaciones lo es de los datos de producción e inventario. No hace falta un organigrama complicado. Hace falta que quede claro en un documento quién responde de qué.
El segundo pilar responde a la pregunta: ¿qué significa exactamente este número? La "facturación trimestral" del ejemplo de apertura es perfectamente ilustrativo. ¿Incluye IVA o no? ¿Incluye las facturas emitidas o las cobradas? ¿Están descontadas las devoluciones? ¿Y los rappels?
Cada respuesta es válida. El problema es cuando el director comercial usa una definición, el financiero usa otra y el controller usa una tercera — y nadie sabe que están hablando de cosas distintas.
El data dictionary es el glosario oficial de la empresa. Una tabla donde, para cada métrica crítica del negocio, hay una definición precisa, aprobada y compartida. "Facturación neta trimestral: suma de las bases imponibles de todas las facturas emitidas en el trimestre, descontando abonos y rectificativas, sin incluir IVA." Eso es todo. No necesita ser un documento de 200 páginas. Necesita ser claro, aprobado por quien corresponde y accesible para todo el mundo.
Con 20-30 métricas bien definidas en el data dictionary, el 80% de los conflictos de datos en reuniones desaparecen. Porque cuando hay una discrepancia, el primer paso es comprobar si todos están usando la definición oficial — y si no, corregirlo.
El tercer pilar mide cuán bueno es el dato en la práctica. Hay cuatro dimensiones de calidad que importan en cualquier empresa:
Completitud: ¿Cuántos clientes tienen email registrado? ¿Cuántos productos tienen precio de coste actualizado? ¿Cuántas facturas tienen el campo "proyecto" relleno? Si tienes un campo que debería estar siempre relleno y el 40% está en blanco, tienes un problema de completitud.
Unicidad: ¿Hay duplicados? Un cliente registrado dos veces en el CRM, con dos códigos distintos, genera datos incorrectos en todos los análisis que dependen de él. El análisis de churn, el de valor de cliente, el de frecuencia de compra — todos quedan contaminados.
Consistencia: ¿El mismo dato es igual en todos los sistemas? Si el ERP dice que el cliente "Industrias López" tiene 3 pedidos pendientes y el CRM dice que tiene 1, hay una inconsistencia. ¿Cuál es correcto?
Actualidad: ¿Cuándo fue la última vez que ese dato fue actualizado? Un precio de coste con 18 meses de antigüedad puede generar análisis de margen completamente equivocados.
Medir estas dimensiones no requiere tecnología sofisticada. Requiere definir qué umbrales son aceptables para cada dato crítico y tener alertas cuando se superan.
El cuarto pilar es el más obvio pero a menudo el más descuidado. En muchas PYMEs, "todos ven todo" porque nadie se ha sentado a pensar qué información debería ser accesible para quién.
¿El comercial de la zona Norte debería poder ver los datos de ventas de la zona Sur? ¿El becario puede exportar la lista completa de clientes con datos de contacto? ¿El proveedor que accede al portal de pedidos puede ver el histórico de márgenes?
Las políticas de acceso no son solo una cuestión de seguridad o RGPD — aunque también lo son. Son una cuestión de integridad de los datos. Cuando demasiadas personas tienen acceso de escritura a datos críticos, los errores se multiplican. Cuando nadie controla quién exporta qué, la información acaba en los sitios equivocados.
Las consecuencias de ignorar la gobernanza de datos no son abstractas. Son muy concretas, y muchas empresas las están viviendo ahora mismo sin identificarlas como un problema de gobernanza.
La desconfianza en los datos. Es el síntoma más extendido y el más dañino. Cuando los dashboards no cuadran con el ERP, cuando el informe de ventas da un número diferente dependiendo de quien lo saca, cuando cada reunión empieza con un debate sobre qué cifra es la correcta — la gente deja de mirar los dashboards. Los ignora. Vuelve a sus Excel de siempre, porque "al menos esos los controlo yo". Toda la inversión en herramientas de BI se vuelve inútil.
Las decisiones basadas en la persona más convincente. Cuando no hay un dato confiable en el que apoyarse, las decisiones se toman en función de quién argumenta mejor o de quién tiene más autoridad en la sala. El director comercial insiste en que la tendencia es positiva basándose en su dato. El financiero dice que no. Sin un árbitro objetivo y confiable, gana el más persuasivo — no el más correcto.
Los proyectos de BI que mueren solos. Se contrata a una consultora, se implementa Power BI, se crean dashboards bonitos. Tres meses después, nadie los usa. ¿Por qué? Porque los datos no son confiables. Porque hay tres definiciones de "margen" y el dashboard usa una que nadie reconoce. Porque el commercial que debería consultar el dashboard de pipeline lo encuentra desactualizado cada vez que lo abre y ha dejado de molestarse. Sin gobernanza, el BI más sofisticado del mundo fracasa.
Hay una creencia extendida de que la gobernanza de datos es territorio de multinacionales con equipos de data governance de 20 personas, plataformas de gestión de metadatos de seis cifras y proyectos de transformación digital de tres años. Eso existe, sí. Pero no es lo que necesita una PYME.
Una empresa con 50 empleados, un ERP, un CRM y un sistema de facturación ya tiene un problema de gobernanza latente. Tres sistemas, tres bases de datos que no siempre sincronizan perfectamente, tres departamentos con tres interpretaciones distintas de los mismos datos. No hace falta ser una multinacional para necesitar gobernanza básica.
La diferencia entre la gobernanza de una PYME y la de una empresa del IBEX no es conceptual — es de escala. Los mismos cuatro pilares, aplicados con la complejidad apropiada al tamaño de la organización.
Para una PYME de 40 empleados, gobernanza básica puede significar: un documento de una página con los dueños de cada área de datos, un glosario de 25 métricas, un proceso mensual de revisión de calidad de datos críticos y políticas de acceso configuradas en el sistema. No necesitas un data steward a tiempo completo. Necesitas unas reglas claras y la disciplina de mantenerlas.
La buena noticia es que la gobernanza no hay que implementarla toda de golpe. Un enfoque por fases hace que el cambio sea manejable y que cada etapa entregue valor antes de pasar a la siguiente.
Fase 1 — Semanas 1 a 4: Inventario y dueños. El primer paso es saber qué datos tienes y quién es responsable de cada uno. Un inventario de las fuentes de datos (ERP, CRM, facturación, hojas de cálculo críticas), los campos más importantes de cada una y la asignación de un data owner por área. Es un ejercicio de media jornada con los responsables de cada departamento.
Fase 2 — Meses 2 y 3: Data dictionary básico. Con los dueños identificados, el siguiente paso es acordar las definiciones de las 20-30 métricas más usadas en los informes de dirección. Facturación, margen, stock activo, cliente activo, pedido pendiente, tasa de reclamaciones. Cada una con su definición precisa, su fórmula de cálculo y el sistema fuente. Este documento solo necesita existir, estar acordado y ser accesible.
Fase 3 — Meses 4 a 6: Calidad automática. Una vez que tienes definiciones claras, puedes empezar a medir automáticamente si los datos las cumplen. Alertas cuando el porcentaje de clientes sin email supera el 15%. Notificaciones cuando hay duplicados detectados en el maestro de clientes. Controles automáticos de consistencia entre el ERP y el CRM para los campos críticos. En Microsoft Fabric, estos controles se pueden configurar sin código.
Fase 4 — Mes 6 en adelante: Catálogo y linaje. Con las bases sentadas, el OneLake Catalog de Microsoft Fabric permite construir un catálogo de datos centralizado con linaje completo: ver de dónde viene cada dato, qué transformaciones ha sufrido y quién lo ha modificado. Es el nivel más sofisticado, pero sobre una base sólida construida en las fases anteriores.
Si tu empresa ya usa Microsoft 365, tienes acceso a las herramientas de gobernanza más potentes del mercado sin necesidad de contratar plataformas adicionales.
El OneLake Catalog de Microsoft Fabric es el catálogo centralizado de datos de tu organización. Desde ahí puedes ver todos los conjuntos de datos disponibles, quién es el propietario de cada uno, cuándo fue actualizado por última vez, qué informes dependen de él y qué etiquetas de sensibilidad tiene asignadas.
Las etiquetas de sensibilidad de Microsoft Purview permiten clasificar los datos según su nivel de confidencialidad — público, interno, confidencial, altamente confidencial — y aplicar políticas automáticas según esa clasificación. Un dataset marcado como "altamente confidencial" no puede ser exportado a Excel por cualquier usuario, aunque técnicamente tenga acceso de lectura.
El linaje de datos te permite trazar, visualmente, el camino de un dato desde su origen hasta el informe que lo muestra. Si el número de margen en el informe mensual es incorrecto, el linaje te dice exactamente en qué paso del proceso se introdujo el error. Lo que antes era una investigación de horas se convierte en un clic.
Y todo esto sin salir del entorno de Microsoft 365, sin contratar plataformas adicionales y sin necesitar un equipo técnico especializado para gestionarlo. Para la mayoría de PYMEs españolas, es la forma más eficiente de implementar gobernanza real.
¿Quieres saber qué nivel de gobernanza necesita tu empresa ahora mismo? Nuestro Data Discovery lo evalúa en 2 semanas.
// escrito por
Director de 480 Analytics
En 480 Analytics, la unidad de datos de Cuatroochenta, ayuda a empresas a ordenar y explotar sus datos con Power BI, Microsoft Fabric e IA. Escribe sobre lo que aprende por el camino.
Antes de contratar a ningún proveedor, hay cinco cosas que tu empresa debería tener claras. Sin ellas, el proyecto fracasa da igual la tecnología elegida.
Una estrategia de datos no son 200 páginas: es traducir el objetivo de negocio al dashboard, definiendo qué preguntas responder antes de elegir herramienta.
Antes de meses de proyecto BI, conviene saber qué datos tienes, su calidad y qué decisiones salen primero. Eso es Data Discovery: 2 semanas y 4 entregables.
Te lo cuantificamos. Empezamos por descubrir y ordenar tus datos, y los convertimos en decisiones — empezando por el reporting financiero (FP&A).