Calidad, catálogo y linaje de datos: las bases para construir información confiable

Calidad de datos, catálogo y linaje: las bases para construir información confiable

Una organización puede tener sus datos centralizados, dashboards operativos, un data lake y múltiples pipelines y, aun así, no ser capaz de responder una pregunta fundamental:

¿Podemos confiar en este dato para tomar una decisión?

La respuesta no depende solamente de que la información exista o esté disponible.

Para utilizar un dato con confianza es necesario poder determinar al menos tres cosas: si tiene la calidad necesaria para el uso previsto, qué significa y quién responde por él, y de dónde proviene hasta llegar al sistema, reporte o modelo que lo consume.

Ahí es donde convergen la calidad de datos, el catálogo de datos y el linaje de datos.

Estas capacidades cumplen funciones diferentes, pero funcionan mejor cuando están conectadas. De hecho, Gartner señala que el 59% de las organizaciones no mide la calidad de sus datos, lo que dificulta saber cuánto están costando los problemas de información y si las iniciativas destinadas a corregirlos realmente generan resultados.

El desafío, por tanto, no es solo acumular o centralizar más información. Es desarrollar mecanismos que permitan demostrar cuándo un dato es suficientemente confiable para ser utilizado.

¿Qué significa realmente confiar en un dato?

Un dato confiable no es necesariamente un dato perfecto.

Su calidad debe evaluarse según el propósito para el que será utilizado.

Un número telefónico incompleto puede tener poca relevancia para calcular un indicador financiero, pero resultar crítico para un proceso de contacto con clientes. Una transacción duplicada, en cambio, puede alterar un reporte de ingresos, una conciliación o un modelo analítico.

Por eso, la calidad debería definirse de acuerdo con la criticidad, el riesgo y el caso de uso, en lugar de intentar aplicar exactamente el mismo estándar a todos los datos de una organización.

Esto modifica la pregunta inicial.

En vez de:

¿Cómo limpiamos todos nuestros datos?

conviene preguntarse:

¿Qué datos son críticos, qué nivel de calidad requieren y cómo comprobamos que lo mantienen?

Sin embargo, medir calidad tampoco resuelve todo el problema.

Un dato puede superar correctamente una regla técnica y seguir siendo difícil de utilizar si nadie sabe con precisión qué significa, quién es responsable de él o qué transformaciones sufrió antes de llegar a un dashboard.

Por eso es necesario conectar tres capacidades.

La confianza aparece cuando la organización puede responder las tres.

Calidad de datos: ¿el dato es adecuado para el uso previsto?

La calidad de datos permite evaluar si la información cumple las condiciones necesarias para soportar una decisión, proceso o producto de datos.

Entre las dimensiones utilizadas habitualmente se encuentran:

Exactitud
Completitud
Consistencia
Validez
Oportunidad o actualización
Unicidad
Integridad

Pero medir dimensiones de forma aislada aporta poco si no existe una relación explícita con el negocio.

Por ejemplo, una empresa podría establecer que el identificador de cliente utilizado en un reporte financiero debe estar presente en el 100% de los registros y corresponder a un identificador válido del maestro corporativo.

Esa condición puede transformarse en una regla.

La regla puede medirse.

Puede establecerse un umbral.

Puede generar una alerta.

Puede asignarse un responsable.

Y puede definirse qué ocurre cuando se incumple.

Ese es el punto donde la calidad deja de ser una aspiración y pasa a convertirse en una capacidad operacional de gobierno de datos.

El problema no es solamente tener errores, sino no poder detectarlos y gestionarlos

Los problemas de calidad pueden propagarse a través de varias capas de una arquitectura.

Una inconsistencia que nace en un sistema transaccional puede avanzar hacia una integración, luego hacia un warehouse y finalmente terminar en un reporte ejecutivo, una automatización o un modelo de inteligencia artificial.

Cuando el problema se descubre aguas abajo, identificar su origen puede requerir conciliaciones manuales y la participación de varios equipos.

IBM recomienda precisamente medir indicadores como la frecuencia y severidad de incidentes de datos, el Mean Time to Detection (MTTD) y el Mean Time to Resolution (MTTR) para entender mejor el impacto operacional de la mala calidad. Su análisis sobre el costo de poor data quality destaca además que muchas de sus consecuencias aparecen distribuidas entre sistemas, equipos y procesos, por lo que suelen ser difíciles de cuantificar mediante una única métrica.

Esto plantea una diferencia importante:

Encontrar y corregir datos incorrectos no es lo mismo que gestionar calidad.

Gestionar calidad requiere identificar por qué aparecen los problemas, qué activos están afectados, quién debe resolverlos y cómo prevenir su reincidencia.

Catálogo de datos: ¿sabemos realmente qué información estamos utilizando?

Incluso cuando un dato cumple las reglas definidas, puede existir otro problema: la falta de contexto.

Dos áreas pueden utilizar un concepto llamado “cliente activo” y calcularlo de manera diferente.

Dos dashboards pueden mostrar “ingresos” utilizando fuentes o reglas distintas.

Un equipo de analítica puede encontrar varias tablas relacionadas con clientes sin saber cuál representa la fuente oficial.

Un catálogo de datos ayuda a resolver este problema al hacer visible la metadata necesaria para descubrir, entender y utilizar la información.

Por eso no debería reducirse a un inventario de bases de datos y tablas.

Un catálogo maduro puede relacionar elementos como:

Nombre y descripción del activo
Definición de negocio
Dominio de datos
Propietario o data owner
Data steward
Fuente autorizada
Clasificación y sensibilidad;
Reglas de calidad;
Relaciones con otros activos;
Restricciones o condiciones de uso;
Información sobre linaje.

Su objetivo no es solamente permitir que una persona encuentre un dataset.

Debe ayudarla a responder:

¿Es este realmente el dato que necesito y puedo utilizarlo para este propósito?

Un catálogo sin responsables puede convertirse en documentación pasiva

La tecnología por sí sola no resuelve el problema.

Una empresa puede implementar un catálogo y seguir teniendo definiciones incompletas, términos duplicados, fuentes contradictorias y activos sin responsables.

El valor aparece cuando la metadata está conectada con un modelo operativo de gobierno.

Los datos críticos necesitan responsables capaces de resolver preguntas como:

¿Cuál es la definición aprobada?
¿Cuál es la fuente oficial?
¿Quién puede modificarla?
¿Qué regla de calidad debe cumplirse?
¿Quién gestiona una excepción?
¿Qué usos están autorizados?

El catálogo permite hacer ese conocimiento visible y accesible.

El gobierno de datos, en cambio, establece las responsabilidades, decisiones, procesos y controles necesarios para mantenerlo en el tiempo.

Linaje de datos: ¿podemos demostrar de dónde viene la información?

El tercer componente es el linaje de datos o data lineage.

Su función es mostrar cómo la información se mueve desde sus fuentes originales hasta los diferentes sistemas que la transforman y consumen.

Supongamos que una métrica financiera cambia inesperadamente.

Sin trazabilidad suficiente, la investigación puede comenzar con preguntas manuales:

¿De qué tabla provino?
¿Qué sistema la generó?
¿Qué pipeline la transformó?
¿Cambió alguna regla?
¿Existe una fuente intermedia?
¿Qué otros reportes utilizan ese mismo atributo?

El linaje busca hacer visibles esas dependencias.

El linaje no sirve solamente para investigar errores

Su valor también aparece antes de realizar cambios.

Si un equipo necesita modificar una columna, una transformación o una fuente, conocer qué procesos aguas abajo dependen de ese elemento permite evaluar impacto antes de intervenir.

Un linaje útil debería ayudar a responder dos preguntas:

¿Qué produjo este dato? y ¿Qué podría verse afectado si lo modifico?

Por eso tampoco debería plantearse únicamente como un diagrama estático de arquitectura.

Su utilidad operacional está en conectar fuentes, transformaciones, dependencias y consumidores de manera suficientemente actualizada como para apoyar investigación, control de cambios y análisis de impacto.

Calidad, catálogo y linaje: por qué implementarlos de forma aislada genera brechas

Las tres capacidades se refuerzan entre sí.

Calidad sin catálogo

La organización sabe que existe una inconsistencia, pero puede no tener claridad sobre qué significa el dato, qué fuente debería prevalecer o quién debe tomar una decisión.

Catálogo sin calidad

Existe documentación, metadata y ownership, pero no hay evidencia suficiente para determinar si los datos cumplen las condiciones necesarias para su uso.

Calidad y catálogo sin linaje

La empresa conoce las definiciones y puede medir reglas, pero cuando aparece un incidente sigue resultando difícil reconstruir dónde se originó o qué otros procesos están afectados.

Linaje sin gobierno

Las dependencias técnicas pueden estar documentadas, pero no necesariamente existe claridad sobre quién debe actuar ante una excepción o quién tiene autoridad para modificar una definición.

La confianza en los datos surge cuando estas capacidades comienzan a operar como un sistema conectado.

Un ejemplo: cuando tres sistemas muestran resultados diferentes

Pensemos en un escenario ilustrativo.

Una institución financiera utiliza información de ingresos de sus clientes para reporting, evaluación comercial y analítica.

El dato proviene de varios sistemas.

Comercial utiliza un valor.

Riesgo utiliza otro.

El dashboard ejecutivo muestra un tercero.

A primera vista, parece un problema de calidad.

Al investigar aparecen tres causas diferentes.

Problema de calidad: existen registros incompletos o inconsistentes.

Problema de catálogo: distintas áreas utilizan definiciones diferentes de “ingreso mensual”.

Problema de linaje: no existe suficiente visibilidad sobre qué transformaciones alimentan cada indicador.

Limpiar registros no solucionaría completamente la situación. También sería necesario definir qué significa el dato, determinar la fuente autorizada, asignar responsables, establecer reglas y reconstruir las dependencias entre sistemas.

Este tipo de escenario muestra por qué calidad, catálogo y linaje no deberían tratarse como proyectos independientes.

En Chile, la calidad de datos ya tiene implicancias operacionales concretas

Esta capacidad adquiere especial relevancia en industrias reguladas.

En Chile, la Norma de Carácter General N°514 de la Comisión para el Mercado Financiero, actualmente incorporando las modificaciones introducidas por la NCG N°569 de junio de 2026, establece requerimientos de calidad para las Instituciones Proveedoras de Información (IPI) e Instituciones Proveedoras de Cuentas (IPC) que participan del Sistema de Finanzas Abiertas.

Entre otras exigencias, la norma contempla pruebas periódicas y aleatorias de calidad, análisis de comparabilidad entre los datos suministrados mediante las interfaces del sistema y aquellos disponibles en otras fuentes de la institución, y revisión del origen de las diferencias encontradas.

El anexo técnico incorpora además dimensiones como:

Exactitud
Completitud
Integridad
Actualización
Validez
Unicidad

También establece requisitos asociados al reporte de resultados y conservación de los microdatos utilizados para las pruebas.

Esto no significa que todas las empresas chilenas estén sometidas a las mismas obligaciones.

Sí evidencia algo relevante para organizaciones intensivas en información: la capacidad de demostrar calidad, consistencia y trazabilidad está pasando de ser una buena práctica técnica a convertirse, en determinados escenarios, en una necesidad de control operacional.

La nueva regulación de datos personales refuerza la necesidad de conocer la información

A este contexto se suma la Ley N°21.719, que modifica el régimen chileno de protección de datos personales, crea la Agencia de Protección de Datos Personales y entrará en vigencia el 1 de diciembre de 2026. La Biblioteca del Congreso Nacional mantiene disponible el texto actualizado de la Ley N°21.719.

Esto no debe interpretarse como una obligación general de implementar un data catalog o una plataforma de data lineage.

Sin embargo, un entorno con mayores exigencias sobre tratamiento, seguridad y control de información aumenta la importancia de saber:

Qué datos existen
Dónde están
Qué nivel de sensibilidad poseen
Para qué se utilizan
Qué sistemas los procesan
Quién tiene responsabilidades sobre ellos

En otras palabras, aumenta el valor de disponer de metadata, clasificación y trazabilidad suficientemente maduras para respaldar la gestión de información.

La inteligencia artificial aumenta el costo de operar con datos poco confiables

El problema adquiere otra dimensión con inteligencia artificial.

Una inconsistencia utilizada en un reporte puede ser detectada por un analista.

Una inconsistencia que alimenta automáticamente múltiples procesos o modelos puede propagarse con mucha mayor rapidez.

El Data Reality Check 2025 de DataArt, basado en entrevistas con asesores, clientes y líderes globales en datos e inteligencia artificial, encontró que 73% de las organizaciones identifica la gobernanza de datos como la principal barrera para avanzar con IA. El mismo reporte señala que 82% todavía no cuenta con la madurez de datos necesaria para escalar estas soluciones de manera sostenible.

Esto no implica que una organización deba alcanzar datos perfectos antes de desarrollar IA.

La decisión más práctica es otra:

¿Qué datos son críticos para este caso de uso y qué necesitamos saber sobre su calidad, significado y origen antes de utilizarlos?

Esa pregunta permite priorizar esfuerzos.

Cómo empezar sin intentar gobernar todos los datos de la empresa

Uno de los mayores riesgos de este tipo de iniciativas es intentar resolver todo el ecosistema de información al mismo tiempo.

Catalogar cada activo, definir reglas sobre cada atributo y reconstruir todo el linaje empresarial puede aumentar considerablemente el alcance antes de generar valor visible.

Un enfoque más práctico consiste en avanzar sobre dominios y casos de uso prioritarios.

1. Seleccionar un proceso o caso de uso crítico

Por ejemplo:

Reporting financiero
Reporting regulatorio
Customer 360
Modelos de riesgo
Pricing
Inventario
Procesos automatizados
Iniciativas de inteligencia artificial

2. Identificar los datos críticos

No todas las tablas ni columnas requieren el mismo nivel de gobierno.

El foco debería estar inicialmente en aquellos datos cuya falla puede afectar decisiones, clientes, regulación, ingresos u operación.

3. Definir qué significa calidad para esos datos

Seleccionar dimensiones, reglas y umbrales según el caso de uso.

Por ejemplo:

Completitud
Consistencia
Exactitud
Vigencia
Unicidad

4. Incorporar contexto y ownership

Definir:

Significado
Fuente autorizada
Data owner
Data steward
Clasificación
Reglas asociadas

5. Reconstruir el linaje necesario

Identificar:

fuente → integración → transformación → almacenamiento → consumo.

La profundidad requerida dependerá de la criticidad del dato y del caso.

6. Operacionalizar los controles

Los controles de calidad no deberían depender únicamente de revisiones manuales.

Cuando sea viable, deben incorporarse a pipelines, procesos de integración, monitoreo y gestión de incidentes.

7. Medir resultados y ampliar el alcance

Una vez estabilizado el primer dominio, el modelo puede extenderse progresivamente hacia nuevos conjuntos de datos.

Este enfoque también coincide con una lógica de diagnóstico y priorización. La práctica global de Data & Analytics de DataArt incluye capacidades asociadas a estrategia, arquitectura, data management, calidad, metadata, catálogo, linaje y gobierno de datos.

¿Cómo medir si los datos están ganando confiabilidad?

No existe una única métrica capaz de medir “confianza en los datos”.

Es más útil combinar indicadores técnicos, operativos y de gobierno.

Métricas de calidad

Porcentaje de registros que cumplen las reglas definidas
Número de incidentes de calidad
Reincidencia de problemas
Porcentaje de datos críticos con controles automatizados

Métricas operativas

Tiempo medio para detectar problemas
Tiempo medio para resolverlos
Número de conciliaciones manuales
Tiempo necesario para identificar el origen de una inconsistencia

Métricas de catálogo y gobierno

Porcentaje de datos críticos con owner definido
Porcentaje con definición aprobada
Cobertura de metadata
Activos críticos sin responsable
Tiempo de resolución de excepciones

Métricas de linaje

Porcentaje de activos críticos con linaje disponible
Cobertura desde fuente hasta consumo
Tiempo necesario para realizar análisis de impacto

El objetivo no debería ser aumentar el número de indicadores.

Debe ser comprobar si la organización está reduciendo la incertidumbre asociada al uso de sus datos.

De tener datos a poder demostrar confianza

Centralizar información puede resolver problemas de almacenamiento, integración y acceso. Pero no garantiza que esa información sea confiable.

Una organización comienza a construir confianza cuando puede responder con evidencia tres preguntas:

¿Este dato tiene la calidad necesaria para el uso que queremos darle?

¿Sabemos qué significa, cómo debe interpretarse y quién responde por él?

¿Podemos demostrar de dónde proviene, cómo se transformó y qué procesos dependen de él?

Calidad, catálogo y linaje permiten responder esas preguntas desde perspectivas complementarias.

Cuando funcionan de manera conectada, el gobierno de datos deja de existir solamente en políticas, definiciones o comités y comienza a materializarse dentro de los procesos, sistemas y controles de la organización.

Evalúa qué tan confiables son tus datos críticos

Antes de implementar una nueva herramienta, conviene identificar dónde están las brechas.

¿Qué datos críticos cuentan hoy con reglas de calidad?

¿Cuántos tienen una definición y un responsable claro?

¿Puedes reconstruir su recorrido desde la fuente hasta los reportes, procesos o modelos que los utilizan?

ACL powered by DataArt puede ayudarte a evaluar estas capacidades, identificar brechas y definir una hoja de ruta de Gobierno de Datos enfocada en los activos y casos de uso que realmente requieren control.

Conversemos sobre tu escenario de datos.

Preguntas frecuentes sobre calidad, catálogo y linaje de datos

¿Qué es la calidad de datos?

La calidad de datos indica qué tan adecuada es una información para el uso que se pretende darle. Puede evaluarse mediante dimensiones como exactitud, completitud, consistencia, vigencia, unicidad y validez, seleccionadas según el caso de negocio y su nivel de riesgo.

¿Qué diferencia existe entre un catálogo de datos y el linaje de datos?

El catálogo aporta contexto: explica qué significa el dato, dónde está, quién responde por él y bajo qué condiciones debería utilizarse. El linaje representa su recorrido y dependencias, mostrando de dónde proviene, qué transformaciones ha experimentado y dónde se consume.

¿Un catálogo de datos garantiza información confiable?

No. Un catálogo ayuda a organizar metadata, definiciones y responsabilidades, pero la confiabilidad también depende de controles de calidad, linaje, gestión de incidencias y procesos de gobierno.

¿Es necesario aplicar el mismo nivel de calidad a todos los datos?

No. Los controles deberían priorizarse según la criticidad, el riesgo y el uso de cada conjunto de datos. Los activos que soportan decisiones financieras, procesos regulatorios, clientes o modelos de IA pueden requerir controles mucho más estrictos que otros datos de menor impacto.

¿Por qué el linaje es importante para analítica e inteligencia artificial?

Porque permite conocer qué fuentes alimentan los datos, qué transformaciones se aplicaron y qué dependencias existen. Esa trazabilidad facilita la investigación de errores, el análisis de impacto y el control sobre los datos utilizados en productos analíticos o sistemas de IA.

¿Cómo empezar a implementar calidad, catálogo y linaje?

Conviene seleccionar primero un dominio o caso de uso crítico, identificar los datos esenciales, definir las reglas de calidad y sus responsables, documentar la metadata necesaria y reconstruir el linaje relevante. Una vez que esos controles funcionan y pueden medirse, el alcance puede ampliarse progresivamente.