Mariluz Rodríguez - Gerente Comercial
Gobernar datos no consiste solamente en documentar políticas, asignar responsables o implementar un catálogo. Requiere convertir esas definiciones en reglas, controles, trazabilidad y decisiones que funcionen dentro de la operación.
Gobierno de datos: qué es, cómo implementarlo y cómo llevarlo a la operación
Dos áreas presentan al directorio el mismo indicador, pero los resultados no coinciden. Finanzas utiliza la información extraída desde el ERP. Comercial trabaja con una base consolidada en su CRM. El equipo de datos preparó una tercera versión para el dashboard corporativo.
Las tres cifras parecen razonables. El problema comienza cuando nadie puede demostrar cuál es la fuente autorizada, qué transformaciones recibió cada dato o quién debe resolver la diferencia.
Esta situación no se corrige únicamente comprando una nueva plataforma ni creando otro reporte. Tampoco desaparece por haber aprobado una política o nombrado un comité. Exige establecer cómo se tomarán y ejecutarán las decisiones sobre los datos a lo largo de la organización.
Ese es el propósito del gobierno de datos: definir responsabilidades, reglas, controles y mecanismos de seguimiento que permitan utilizar información confiable, comprensible, protegida y trazable.
Su valor aparece cuando esas definiciones dejan de existir solamente en documentos y comienzan a operar en los sistemas, procesos y equipos.
¿Qué significa realmente gobernar los datos?
El gobierno de datos establece quién tiene autoridad para tomar decisiones sobre la información, qué criterios deben aplicarse y cómo se comprobará su cumplimiento.
DAMA International lo vincula con la definición de responsabilidades, políticas y derechos de decisión necesarios para gestionar los datos de manera adecuada y alinearlos con los objetivos de la organización.
Desde una perspectiva práctica, una organización gobierna un dato cuando puede responder preguntas como:
- ¿Qué significa dentro del negocio?
- ¿Cuál es su fuente autorizada?
- ¿Qué sistemas lo crean, transforman y consumen?
- ¿Quién responde por su definición y calidad?
- ¿Qué reglas debe cumplir antes de utilizarse?
- ¿Quién puede acceder a él?
- ¿Con qué finalidad puede tratarse?
- ¿Cómo se detecta y resuelve una anomalía?
- ¿Qué evidencia permite demostrar que los controles se ejecutaron?
Estas preguntas muestran una diferencia importante entre gestionar datos y gobernarlos.
La gestión comprende las actividades técnicas y operativas necesarias para almacenar, integrar, proteger, transformar y disponibilizar información. El gobierno establece la autoridad, las reglas, las prioridades y los mecanismos de rendición de cuentas que orientan esas actividades.
Ambas dimensiones se necesitan. El gobierno sin ejecución produce políticas que nadie aplica. La gestión sin gobierno puede producir plataformas eficientes que procesan información contradictoria, mal definida o utilizada sin una finalidad suficientemente clara.
¿Qué problemas resuelve el gobierno de datos?
El gobierno de datos no debería comenzar con una discusión abstracta sobre frameworks. Conviene partir por los síntomas que la organización ya puede observar.
Uno de los más frecuentes es la existencia de varias versiones del mismo dato. Un cliente, producto, saldo, póliza o proveedor puede tener definiciones y atributos diferentes según el sistema o área que lo utiliza.
Alejandro Contreras, Head of Data Practice de ACL powered by DataArt, lo resume desde una dificultad que ha observado en organizaciones:
“No saben cuál es el dato fidedigno, el dato real con el que tienen que trabajar. Eso pasa en muchas organizaciones”.
Cuando esa ambigüedad se vuelve habitual, aparecen consecuencias concretas:
- Reportes que requieren conciliaciones manuales.
- Equipos que dedican tiempo a buscar y limpiar información.
- Indicadores cuya lógica solo conoce la persona que los construyó.
- Decisiones retrasadas por discusiones sobre la validez del dato.
- Accesos concedidos sin suficiente trazabilidad.
- Errores que se detectan al final del proceso.
- Modelos analíticos entrenados con información incompleta o desactualizada.
- Dificultades para responder solicitudes de titulares o requerimientos regulatorios.
El problema no siempre consiste en la inexistencia de datos. Muchas organizaciones tienen grandes volúmenes de información, múltiples plataformas y equipos especializados. La brecha está en la incapacidad de determinar qué información puede utilizarse, bajo qué condiciones y con qué nivel de confianza.
Gobierno de datos no es lo mismo que implementar un catálogo
Un catálogo de datos puede ayudar a localizar activos, registrar definiciones, identificar responsables y visualizar metadatos. Es una capacidad importante, pero no representa por sí sola un modelo de gobierno.
La misma distinción se aplica a otras herramientas:
- El linaje muestra recorridos y transformaciones, pero no decide quién debe corregir una anomalía.
- Una plataforma de calidad ejecuta reglas, pero alguien debe definir qué umbrales son aceptables.
- Un sistema de control de accesos aplica permisos, pero la organización debe determinar qué usos corresponden a cada rol.
- Un glosario documenta conceptos, pero necesita responsables que resuelvan diferencias semánticas.
- Un comité puede priorizar decisiones, pero requiere procesos que lleven esas decisiones a los sistemas.
La herramienta habilita. El gobierno determina la decisión, la responsabilidad y la evidencia esperada.
Esta separación es especialmente relevante porque el benchmark global de EDM Association de 2026 muestra una brecha entre formalización y operación. Más del 70 % de las organizaciones consultadas declara contar con estructuras formales de gobierno; sin embargo, muchas todavía carecen de modelos de financiamiento, métricas y alineación empresarial suficientes para convertirlas en una capacidad operativa sostenida.
Tener una función formal es un avance. La madurez se demuestra cuando esa función puede intervenir en procesos reales, resolver excepciones y medir resultados.
¿Qué componentes necesita un modelo de gobierno de datos?
Un modelo operativo no se construye mediante una lista independiente de iniciativas. Sus componentes deben conectarse para responder preguntas de negocio y reducir riesgos concretos.
Roles y responsabilidades
Los datos suelen atravesar distintas áreas. Por ello, la responsabilidad no puede quedar únicamente en TI.
El negocio debe participar porque define el significado, el uso y la criticidad de la información. Tecnología implementa arquitectura, integración, disponibilidad y controles. Riesgo, seguridad, privacidad y cumplimiento aportan criterios que dependen del contexto regulatorio y de la sensibilidad de los datos.
Dentro de este modelo suelen aparecer dos roles centrales:
Data owner: tiene autoridad y accountability sobre un dominio o conjunto de datos. Debe tomar o aprobar decisiones sobre definiciones, calidad, acceso y uso.
Data steward: mantiene esas definiciones y reglas en la operación, coordina incidencias, revisa metadatos y facilita que las decisiones del owner se ejecuten.
El error frecuente consiste en asignar estos nombres sin reservar tiempo, autoridad ni procesos. Un data owner que no puede decidir o un steward que solo actualiza planillas difícilmente sostendrán el modelo.
Catálogo, glosario y metadatos
El catálogo permite descubrir y comprender los activos disponibles. Sin embargo, su utilidad depende de la calidad de sus metadatos y de la adopción por parte de los equipos.
No basta con registrar nombres técnicos. El lector debería poder entender:
- Qué representa el dato.
- Qué dominio lo administra.
- Quién es responsable.
- Qué nivel de sensibilidad posee.
- Qué sistemas lo producen y consumen.
- Qué restricciones tiene.
- Qué indicadores o procesos dependen de él.
Un catálogo que no se integra a los flujos de trabajo puede convertirse en otro repositorio que envejece rápidamente.
Linaje y trazabilidad
El linaje permite seguir el recorrido del dato desde su origen hasta un reporte, modelo o proceso.
Esta capacidad se vuelve decisiva cuando dos indicadores no coinciden, se modifica una regla de negocio o debe evaluarse el impacto de un cambio en una fuente.
La trazabilidad también facilita responder preguntas regulatorias y de auditoría: qué sistema originó la información, qué transformaciones recibió, qué usuarios accedieron y dónde se utiliza.
Calidad de datos
La calidad no es una propiedad absoluta. Un dato debe evaluarse en función del uso que tendrá.
Una dirección incompleta puede ser suficiente para un análisis agregado, pero no para entregar un producto. Un registro de cliente desactualizado puede distorsionar una campaña, un modelo de riesgo o una respuesta relacionada con derechos del titular.
Por eso, las reglas de calidad deben vincularse con procesos y decisiones concretas. Algunas dimensiones habituales son exactitud, completitud, consistencia, validez, unicidad y oportunidad.
El control tampoco debería limitarse a un reporte final. Debe aplicarse en los puntos donde la información se crea, integra, transforma y consume. Cuando una regla falla, el modelo debe definir qué ocurre: rechazo, corrección, advertencia, excepción autorizada o escalamiento.
Seguridad, privacidad y accesos
El gobierno de datos no reemplaza la ciberseguridad ni la gestión de privacidad, pero entrega el contexto necesario para aplicar controles de forma coherente.
Para proteger información es necesario saber qué datos existen, dónde están, qué sensibilidad poseen, quién es responsable y con qué finalidad se utilizan.
En Chile, la Ley 21.719 incorpora principios como finalidad, proporcionalidad, calidad, responsabilidad, seguridad, transparencia y confidencialidad. También reconoce derechos de acceso, rectificación, supresión, oposición y portabilidad. Su entrada en vigencia está prevista para el 1 de diciembre de 2026.
La normativa contempla multas de hasta 5.000 UTM para infracciones leves, 10.000 UTM para infracciones graves y 20.000 UTM para infracciones gravísimas, además de reglas especiales en casos de reincidencia.
Esto no significa que gobierno de datos y cumplimiento sean equivalentes. Un modelo de gobierno puede aportar inventario, clasificación, linaje, responsables, registros y controles. La interpretación de obligaciones y la definición del modelo jurídico deben validarse con especialistas legales.
Tampoco corresponde confundir al delegado de protección de datos con el data owner. La ley establece funciones de asesoría, supervisión, formación, identificación de riesgos y coordinación con la futura Agencia. El artículo 50 señala que el responsable podrá designar un delegado, mientras que el programa voluntario de prevención de infracciones contempla su incorporación.
¿Quiénes deben participar?
El gobierno de datos es una responsabilidad distribuida, aunque no todos toman las mismas decisiones.
ParticipanteResponsabilidad principalDirectorio y liderazgo ejecutivoPatrocinio, prioridades, riesgo aceptable y recursosCDO o liderazgo de datosModelo, estrategia, coordinación y seguimientoÁreas de negocioDefiniciones, criticidad, usos y reglasData ownersDecisiones sobre dominios y datos críticosData stewardsEjecución, mantenimiento y gestión de incidenciasArquitectura y Data EngineeringIntegración, linaje, disponibilidad y controles técnicosSeguridad y privacidadClasificación, accesos, riesgos y protecciónRiesgo y cumplimientoRequisitos, evidencias y seguimientoUsuarios y equipos analíticosAdopción, retroalimentación y uso responsable
La estructura puede variar según el tamaño y la regulación de la organización. Lo esencial es que cada decisión relevante tenga un responsable, un proceso y una vía de escalamiento.
Un comité sin capacidad de ejecución puede acumular temas pendientes. Una oficina central sin participación del negocio puede definir estándares técnicamente correctos que nadie adopta. Un modelo completamente descentralizado puede generar criterios incompatibles entre dominios.
La organización debe buscar un equilibrio entre estándares comunes y responsabilidad distribuida.
Cómo implementar un gobierno de datos
Intentar gobernar todos los datos de la empresa desde el primer día suele generar un programa demasiado amplio y difícil de demostrar.
Una implementación más sostenible puede avanzar mediante siete etapas.
1. Diagnosticar la situación actual
El diagnóstico debe revisar personas, procesos, arquitectura, tecnologías, datos críticos y evidencias.
No basta con preguntar si existe una política. Conviene comprobar:
- Cómo se resuelven diferencias entre reportes.
- Qué datos tienen responsables activos.
- Qué reglas se ejecutan.
- Qué trazabilidad está disponible.
- Cómo se aprueban accesos.
- Cómo se gestionan incidentes.
- Qué métricas se utilizan.
- Qué iniciativas analíticas o de IA están siendo limitadas por los datos.
DCAM, por ejemplo, se utiliza para evaluar capacidades de gestión de datos, comparar madurez y orientar una estrategia de evolución.
2. Vincular las brechas con objetivos de negocio
“No tenemos catálogo” describe una ausencia técnica. No explica todavía por qué importa.
La brecha debe conectarse con una consecuencia:
- Conciliaciones retrasan el cierre financiero.
- Duplicados afectan la visión del cliente.
- Falta de linaje dificulta explicar un modelo.
- Permisos poco claros aumentan exposición.
- Datos incompletos impiden automatizar una decisión.
- Definiciones incompatibles generan indicadores contradictorios.
Esta relación permite priorizar inversiones y construir un caso de negocio.
3. Elegir un dominio o caso inicial
El primer alcance debería reunir tres condiciones:
- Relevancia empresarial.
- Problemas observables.
- Capacidad de medir mejoras.
En banca podría ser cliente, riesgo crediticio o transacciones. En seguros, pólizas, siniestros o corredores. En retail, productos, clientes, inventario o proveedores.
No se trata de escoger el dominio más sencillo, sino uno suficientemente importante y acotado para demostrar cómo funcionará el modelo.
4. Definir decisiones y responsabilidades
Antes de implementar herramientas, debe quedar claro:
- Quién aprueba una definición.
- Quién establece reglas de calidad.
- Quién autoriza usos y accesos.
- Quién resuelve una incidencia.
- Cuándo debe escalarse.
- Qué evidencia debe conservarse.
Esta etapa convierte los roles formales en trabajo real.
5. Implementar controles dentro de los flujos
Las políticas deben traducirse en mecanismos como:
- Validaciones en pipelines.
- Clasificación de información.
- Flujos de aprobación.
- Reglas de acceso.
- Registro de cambios.
- Alertas de calidad.
- Monitoreo de datos críticos.
- Gestión de excepciones.
- Integración entre catálogo, linaje y plataformas.
La automatización es útil cuando la decisión ya está definida. Automatizar una regla ambigua solo distribuye la inconsistencia con mayor rapidez.
6. Medir adopción y resultados
El programa debe mostrar si los equipos utilizan las capacidades y si las brechas están disminuyendo.
No alcanza con medir cuántos datos fueron catalogados. También conviene observar cuántos activos críticos tienen responsables, cuántas incidencias se resuelven, cuánto demora una conciliación y cuántos procesos pueden demostrar trazabilidad.
7. Escalar y ajustar el modelo
Después del dominio inicial, las prácticas reutilizables pueden extenderse a otras áreas.
El escalamiento exige revisar:
- Capacidad de los equipos.
- Automatización.
- Integración con arquitectura.
- Nuevos requerimientos regulatorios.
- Priorización de dominios.
- Mecanismos de financiamiento.
- Formación y gestión del cambio.
El objetivo no es crear una estructura más pesada, sino conseguir que el gobierno se convierta progresivamente en parte del trabajo habitual.
Cómo evaluar la madurez actual
La madurez no se determina por la cantidad de documentos ni por la herramienta adquirida.
Puede evaluarse mediante cuatro preguntas:
¿Está definido?
Existen políticas, roles, estándares y procesos comprensibles.
¿Está aplicado?
Las definiciones funcionan dentro de dominios, plataformas y procesos reales.
¿Puede demostrarse?
Existen registros, métricas, linaje, controles y evidencias.
¿Puede sostenerse y escalarse?
Hay recursos, autoridad, adopción, mejora continua y conexión con los objetivos empresariales.
El benchmark global 2026 de EDM Association muestra que, en la mayoría de los componentes evaluados, las organizaciones siguen concentrándose en rangos de madurez “Developmental” o “Defined”. Esto indica progreso respecto de etapas conceptuales, pero también que las capacidades todavía no se han integrado plenamente como una práctica sostenible en muchas empresas.
La misma investigación señala que solo aproximadamente el 31 % reporta una capacidad avanzada de estrategia de datos. El problema, por tanto, no siempre está en la ausencia total de iniciativas, sino en la dificultad para alinearlas, financiarlas, medirlas y convertirlas en una forma repetible de operar.
Gobierno de datos e inteligencia artificial
Una empresa puede adquirir modelos, contratar especialistas y desarrollar pilotos de IA. Eso no resuelve automáticamente problemas de calidad, significado, acceso o trazabilidad.
Los sistemas de IA requieren conocer:
- Qué información puede utilizarse.
- Bajo qué finalidad.
- Qué calidad posee.
- Qué sesgos o limitaciones contiene.
- De dónde proviene.
- Cómo se actualiza.
- Quién responde por ella.
- Qué cambios podrían alterar el resultado.
El benchmark de EDM Association identifica una diferencia significativa entre disponibilidad y adopción: el 77 % de las organizaciones consultadas declara haber establecido capacidades de analítica, pero solo el 19 % demuestra madurez en adopción y formación. La muestra es global, pero ilustra que invertir en tecnología no asegura su incorporación sostenible a la operación.
NIST también plantea que la confiabilidad de un sistema de IA debe evaluarse mediante pruebas y monitoreo continuo, considerando validez, exactitud, robustez y potenciales efectos negativos.
El gobierno de datos no sustituye el gobierno de IA. Sin embargo, proporciona parte de su base: datos identificables, autorizados, trazables, suficientemente confiables y sujetos a responsables y controles.
En el sector financiero chileno, la CMF identificó para 2026 desafíos relacionados con la adecuación de procesos al nuevo régimen de protección de datos, el fortalecimiento de la gobernanza y la supervisión de modelos de IA con foco en explicabilidad y control de sesgos.
Cómo medir si el gobierno de datos está funcionando
No existe un indicador único. Las métricas deben relacionarse con los problemas que justificaron la iniciativa.
DimensiónIndicadores posiblesCalidadPorcentaje de datos críticos que cumple reglas; incidentes por dominio; reincidenciaTrazabilidadActivos críticos con linaje; tiempo para identificar origen e impactoResponsabilidadDatos con owner y steward activos; decisiones pendientes; tiempos de resoluciónAdopciónUsuarios del catálogo; consultas; definiciones validadas; uso de fuentes autorizadasEficienciaHoras de conciliación; tiempo de preparación de reportes; retrabajoRiesgoAccesos incompatibles; datos sensibles sin clasificación; excepciones vencidasNegocioTiempo para habilitar un caso analítico; disponibilidad de indicadores; reducción de discrepancias
Una métrica aislada puede inducir comportamientos incorrectos. Catalogar miles de tablas no aporta valor si los activos críticos siguen sin definición. Cerrar rápidamente incidencias tampoco es suficiente si reaparecen cada mes.
El seguimiento debe combinar cobertura, efectividad y resultado.
Cómo llevar el gobierno desde el diseño hasta la operación
La dificultad principal no suele estar en escribir la política. Está en conectarla con arquitectura, procesos y equipos.
El enfoque desarrollado para ACL Data Practice parte precisamente desde brechas visibles: reportes que no coinciden, equipos corrigiendo datos, catálogo o linaje incompletos, roles poco claros y proyectos de IA que no logran escalar. A partir de ahí, la ruta propuesta conecta diagnóstico, implementación y operación continua, en lugar de comenzar desde una licencia o un perfil tecnológico.
Un acompañamiento consultivo puede organizarse alrededor de cinco decisiones:
- Diagnosticar: identificar brechas de gobierno, calidad, trazabilidad, arquitectura y protección.
- Priorizar: seleccionar dominios y problemas con impacto observable.
- Diseñar: definir modelo operativo, roles, reglas, controles y arquitectura habilitadora.
- Implementar: integrar las decisiones en plataformas y procesos.
- Medir y evolucionar: comprobar adopción, corregir brechas y ampliar el alcance.
ACL powered by DataArt puede participar en estas etapas desde una perspectiva que conecte negocio y tecnología: no solo definiendo el modelo, sino también llevando reglas, metadatos, linaje, calidad y controles hacia la operación.
Gobernar datos es poder demostrar cómo se toman las decisiones
Una empresa no necesita gobernar todos sus datos con la misma intensidad. Necesita reconocer cuáles son críticos, qué usos generan mayor riesgo o valor y qué decisiones deben poder demostrarse.
El punto de partida no debería ser la herramienta más avanzada ni la política más extensa. Debería ser una pregunta concreta: ¿podemos explicar y comprobar cómo se define, transforma, protege y utiliza la información que sostiene nuestras decisiones?
Cuando la respuesta depende de conciliaciones manuales, conocimiento individual o reglas que no se ejecutan, existe una brecha de gobierno.
Antes de ampliar una plataforma, escalar analítica o incorporar inteligencia artificial, conviene evaluar si la organización cuenta con responsables, reglas, trazabilidad y controles que funcionen realmente en la operación.
ACL powered by DataArt puede ayudarte a evaluar la madurez de tu ecosistema de datos, priorizar las brechas críticas y convertirlas en una hoja de ruta implementable, alineada con tu arquitectura, tus riesgos y tus objetivos de negocio.
CTA: Evalúa la madurez de tu ecosistema de datos.
6. Preguntas frecuentes
¿Qué es el gobierno de datos?
El gobierno de datos es el sistema de responsabilidades, decisiones, políticas, procesos y controles que determina cómo una organización define, utiliza, protege y supervisa sus datos. Su propósito es asegurar que la información crítica sea comprensible, confiable, trazable y utilizada bajo condiciones autorizadas.
¿Cuál es la diferencia entre gobierno y gestión de datos?
El gobierno de datos define quién puede tomar decisiones, qué reglas deben cumplirse y cómo se supervisará su aplicación. La gestión de datos ejecuta actividades como integración, almacenamiento, calidad, seguridad, arquitectura y disponibilidad. El gobierno orienta y controla; la gestión implementa y opera.
¿Es necesario implementar un catálogo para tener gobierno de datos?
Un catálogo es un habilitador importante, pero no es suficiente. También se necesitan responsables con autoridad, definiciones, reglas de calidad, trazabilidad, procesos de acceso, gestión de incidencias, métricas y mecanismos para llevar las decisiones a los sistemas.
¿Quién debe ser responsable del gobierno de datos?
La responsabilidad debe distribuirse entre liderazgo ejecutivo, negocio, tecnología, seguridad, privacidad, riesgo y cumplimiento. Los data owners toman o aprueban decisiones sobre dominios críticos, mientras los data stewards ayudan a mantener definiciones, reglas y controles dentro de la operación.
¿Cómo se comienza a implementar un gobierno de datos?
Conviene comenzar con un diagnóstico, vincular las brechas con objetivos empresariales y elegir un dominio o caso prioritario. Luego se definen responsables, reglas y controles, se implementan dentro de los procesos, se miden los resultados y se amplía progresivamente el alcance.
¿Cómo se relaciona el gobierno de datos con la inteligencia artificial?
El gobierno de datos permite conocer el origen, calidad, significado, sensibilidad y condiciones de uso de la información empleada por sistemas de IA. No reemplaza el gobierno de IA, pero proporciona una base necesaria para desarrollar modelos más trazables, controlables y alineados con los riesgos de la organización.
