Cap 1

Cap 2
Cap 3
Cap 12
Cap 13
Cap 16

● Comprender su significado, uso e importancia en los

negocios.

Mucho se ha escrito sobre la relación entre los datos y la

información. Los datos han sido llamados "materia prima de la
información" y la información ha sido llamada "datos en
contexto". A menudo una pirámide dividida en capas se utiliza
para describir la relación entre los datos (en la base), la
información, el conocimiento y la sabiduría (en la cúspide). Si
bien la pirámide puede ser útil para describir por qué los datos
necesitan ser bien gestionados, esta representación presenta
varios desafíos para la Gestión de Datos.
Se basa en la suposición de que los datos simplemente
existen. Pero los datos no existen simplemente. Los datos hay
que crearlos. Al describir una secuencia lineal desde los datos
hasta la sabiduría, se omite reconocer que se necesita
conocimiento para crear datos en primer lugar. Implica que los
datos y la información son cosas separadas, cuando en
realidad, los dos conceptos están entrelazados y son
dependientes entre sí. Los datos son una forma de
información y la información es una forma de datos.
Dentro de una organización, puede ser útil trazar una línea
entre la información y los datos con el propósito de generar
una comunicación clara sobre los requisitos y las expectativas
de los diferentes usos por las diferentes partes interesadas.
(“Aquí hay un informe de ventas para el último trimestre
[información]. El mismo se basa en datos de nuestro DW
(Data Warehouse – Almacén de Datos) [datos]. El próximo
trimestre se utilizarán estos datos [datos] para generar
nuestras medidas de desempeño por trimestre [información]”).
El reconocer que los datos y la información deben prepararse
 para diferentes propósitos permite capitalizar un principio
central de la Gestión de Datos.

● Entender las principales características de los datos

entendidos como activos.

Un activo es un recurso económico, que puede tener un

dueño o puede ser controlado, y que tiene o produce valor.
Los activos pueden ser convertidos en dinero. Los datos se
reconocen ampliamente como un activo empresarial, aunque
la comprensión de lo que significa gestionar los datos como
un activo aún está evolucionando. A principios de los años
noventa, algunas organizaciones consideraron cuestionable si
el valor de intangibles debía tener un valor monetario. Ahora
bien, el "valor de intangibles (como el sobreprecio pagado de
por una empresa)" aparece comúnmente como un elemento
en el estado de pérdidas y ganancias (P&L). Del mismo modo,
aunque no universalmente adoptada, la monetización de
datos es cada vez más común. No pasará mucho tiempo
antes de que veamos esto como una característica de P&Ls.
Las organizaciones de hoy en día confían en sus activos de
datos para tomar decisiones más efectivas y operar de
manera más eficiente. Las empresas utilizan los datos para
comprender a sus clientes, crear nuevos productos y servicios
y mejorar la eficiencia operativa reduciendo los costos y
controlando los riesgos. Las agencias gubernamentales, las
instituciones educativas y las organizaciones sin fines de lucro
también necesitan datos de alta calidad para guiar sus
actividades operacionales, tácticas y estratégicas. A medida
que las organizaciones dependen cada vez más de los datos,
el valor de los activos de datos puede establecerse con mayor
claridad.
Muchas organizaciones se identifican como "basadas en
datos" (data-driven). Las empresas que buscan mantenerse
competitivas deben dejar de tomar decisiones basadas en
corazonadas o instintos y, en su lugar, utilizar disparadores de
eventos y aplicar analítica para obtener un punto de vista
sobre el cual accionar. Ser basado en datos incluye el
reconocimiento de que los datos deben ser gestionados
 eficientemente y con disciplina profesional, a través de una
asociación entre el liderazgo empresarial y
la experiencia técnica. Además, el ritmo de los negocios de
hoy implica que el cambio ya no es opcional; la disrupción
digital es la norma. Para reaccionar ante esto, los negocios
deben crear soluciones de información con profesionales
técnicos de los datos que trabajen en conjunto con sus
contrapartes del negocio. Deben planear cómo obtener y
gestionar aquellos datos que saben que necesitan para
apoyar la estrategia empresarial. También deben posicionarse
para tomar ventaja de las oportunidades de aprovechar los
datos de nuevas formas.

● Conocer las distintas fases del ciclo de vida de los datos.

Conceptualmente, incluye los procesos que crean u obtienen

datos, los que los mueven, transforman y almacenan, y
permiten que se mantengan y compartan, y los que los usan o
aplican, así como los que los desechan. A lo largo de su
ciclo de vida, los datos pueden ser limpiados,
transformados, fusionados, mejorados o agregados. A
medida que se utilizan o mejoran los datos, a menudo se
crean nuevos datos, por lo que el ciclo de vida tiene
iteraciones internas que no se muestran en el diagrama. Los
datos raramente son estáticos. La Gestión de Datos implica
un conjunto de procesos
interconectados alineados con el ciclo de vida de los datos.
Los detalles del ciclo de vida de los datos dentro de una
organización dada pueden ser bastante complicados, porque
los datos no sólo tienen un ciclo de vida, sino que también
tienen linaje (por ejemplo, un camino a lo largo del cual se
mueve desde su punto de origen hasta su punto de uso,
algunas veces llamado cadena de datos). La comprensión del
linaje de datos requiere documentar el origen de los conjuntos
de datos, así como su movimiento y transformación a través
de los sistemas desde donde se pueden acceder y ser
usados. El ciclo de vida y el linaje se intersectan y pueden
entenderse mediante la relación entre sí. Cuanto mejor una
 organización entienda el ciclo de vida y el linaje de sus datos,
mejor será su gestión.

● Asimilar los marcos teóricos presentados en el DMBOK2

en cuanto al desarrollo de capacidades de gestión de
datos.

La Gestión de Datos implica un conjunto de funciones

interdependientes, cada una con sus propias metas,
actividades y responsabilidades. Los profesionales de la
Gestión de Datos deben tener en cuenta los desafíos
inherentes al intento de extraer valor de un activo empresarial
abstracto, al tiempo que equilibran las metas estratégicas y
operativas, los requisitos específicos comerciales y técnicos,
las demandas de riesgo y cumplimiento y los conflictos de
entendimiento de lo que los datos representan y de si son de
alta calidad. Hay mucho que tomar en consideración y
controlar, por lo que ayuda el tener un marco de referencia
para entender la Gestión de Datos de manera exhaustiva y
ver las relaciones entre sus componentes. Debido a que las
funciones dependen unas de otras y necesitan ser alineadas,
en cualquier organización, las personas responsables de los
diferentes aspectos de la Gestión de Datos necesitan
colaborar para que la organización obtenga valor de sus
datos. Los marcos de referencia desarrollados en diferentes
niveles de abstracción proporcionan una gama de
perspectivas sobre cómo abordar la Gestión de Datos. Estas
perspectivas proporcionan una visión que puede usarse para
aclarar la estrategia, desarrollar hojas de ruta, organizar
equipos y alinear las funciones. Las ideas y conceptos
presentados en el DMBOK2 se aplicarán de manera diferente
entre las organizaciones. El enfoque de una organización para
la Gestión de Datos depende de factores clave tales como su
industria, la variedad de datos que utiliza, su cultura, nivel de
madurez, estrategia, visión y los desafíos específicos que está
abordando. Los marcos descritos en esta sección
proporcionan algunas
perspectivas a través de las cuales ver la Gestión de Datos y
aplicar los conceptos presentados en el DMBOK.
- Los dos primeros, el Modelo de Alineación Estratégica y
el Modelo de Información de Amsterdam muestran
relaciones de alto nivel que influyen en cómo una
organización gestiona los datos.
- El marco de referencia DAMA DMBOK (Diagrama de
Rueda - DAMA Wheel, Hexágono y Diagrama de Contexto)
describe las Áreas de Conocimiento de la Gestión de
Datos, según lo define DAMA, y explica su representación
visual dentro del DMBOK.
- Los dos últimos toman la Rueda DAMA como punto de
partida y reordenan las piezas para comprender mejor y
describir las relaciones entre ellas.

Modelo de Alineación Estratégica

El Modelo de Alineación Estratégica (Henderson y
Venkatraman, 1999) abstrae los motivadores
fundamentales para cualquier enfoque de la Gestión de
Datos. En su centro está la relación entre datos e
información. La información se asocia más a menudo con
la estrategia empresarial y el uso operacional de los datos.
Los datos están asociados con la tecnología de la
información y los procesos
que soportan la gestión física de los sistemas que hacen
que los datos sean accesibles para su uso. En torno a este
concepto están los cuatro dominios fundamentales de la
elección estratégica: estrategia empresarial, estrategia de
tecnologías de la información, infraestructura y procesos
organizacionales, infraestructura y procesos de tecnologías
de la información. El Modelo de Alineación Estratégica
(SAM por sus siglas en inglés) totalmente articulado es
más complejo de lo que se ilustra en la imagen siguiente.

Cada uno de los hexágonos de cada esquina tiene sus

propias dimensiones subyacentes. Por ejemplo, dentro de
la estrategia de negocio y de TI, es necesario tener en
cuenta el alcance, las competencias y la gobernanza. Las
operaciones deben tener en cuenta la infraestructura, los
procesos y las habilidades.
Las relaciones entre las piezas ayudan a una organización
a entender tanto el ajuste estratégico de los diferentes
componentes como la integración funcional de las piezas.
Incluso la representación de alto nivel del modelo es útil
para comprender los factores organizacionales que influyen
en las decisiones sobre los datos y la gestión de datos.

Modelo de Información Ámsterdam

El Modelo de Información de Ámsterdam (AIM por sus
siglas en inglés), al igual que el Modelo de Alineación
Estratégica, adopta una perspectiva estratégica sobre el
negocio y la alineación de las Tecnologías de la
Información (Abcouwer, Maes y Truijens, 1997). Conocido
como el 9-celdas, reconoce una capa intermedia que se
enfoca en estructura y tácticas, incluyendo planificación y
arquitectura. Además, reconoce la necesidad de la
comunicación de información (expresada como el pilar del
gobierno de la información y la calidad de los datos en la
imagen). Los creadores de los marcos de referencia SAM y
AIM describen en detalle la relación entre los componentes,
tanto desde una perspectiva horizontal (Negocio /
Estrategia de TI) como vertical (Estrategia de Negocio /
Operación del Negocio).

Estructura DAMA-DMBOK

El Marco de Referencia DAMA-DMBOK profundiza en las

Áreas de Conocimiento que conforman el alcance
general de la Gestión de Datos. Tres imágenes
representan el Marco de Referencia de Gestión de
Datos de DAMA:

• La Rueda DAMA
• El Hexágono de Factores Ambientales

• Diagrama de Contexto del Área de Conocimiento

La Rueda DAMA define las Áreas de Conocimiento de la

Gestión de Datos. Coloca el gobierno de datos en el centro
de las actividades de Gestión de Datos, ya que se requiere
gobierno para lograr consistencia interna y equilibrio entre
las funciones. Las otras áreas de conocimiento
(Arquitectura de Datos, Modelado de Datos, etc.) se
equilibran alrededor de la Rueda. Son todas partes
necesarias de una función madura de Gestión de Datos,
pero pueden implementarse en diferentes momentos,
dependiendo de los requisitos de la organización.
El Hexágono de Factores Ambientales muestra la relación
entre las personas, el proceso y la tecnología, y
proporciona la clave para leer los diagramas de contexto
DMBOK. Pone metas y principios en el centro, ya que
éstos proporcionan orientación sobre cómo las personas
deben ejecutar actividades y utilizar eficazmente las
herramientas necesarias para una Gestión de Datos
exitosa.
Cada elemento del diagrama se aplicará de manera distinta
en diferentes organizaciones. Las listas de roles de alto
nivel incluyen sólo las funciones más importantes. Cada
organización puede adaptar este
patrón para satisfacer sus propias necesidades. Las piezas
componentes del diagrama de contexto incluyen:
1. Definición: Esta sección define concisamente el área de
conocimiento.
2. Las Metas describen el propósito del Área de
Conocimiento y los principios fundamentales que guían el
desempeño de las actividades dentro de cada Área de
Conocimiento.
3. Las Actividades son las acciones y tareas requeridas
para alcanzar los objetivos del Área de Conocimiento.
Algunas actividades se describen en términos de
subactividades, tareas y pasos. Las actividades se
clasifican en cuatro categorías: Planificación, Desarrollo,
Operación y Control.
• (P) Las Actividades de Planificación establecen el curso
estratégico y táctico para cumplir los objetivos de Gestión
de Datos. Las actividades de planificación ocurren de
manera recurrente.
• (D) Las Actividades de Desarrollo se organizan en torno
al ciclo de vida de desarrollo de software (SDLC) (análisis,
diseño, construcción, prueba, preparación y despliegue).
• (C) Las Actividades de Control garantizan la continuidad
de la calidad de los datos y la integridad, fiabilidad y
seguridad de los sistemas a través de los cuales se
accesan y se utilizan los datos.
• (O) Las Actividades de Operación apoyan el uso,
mantenimiento y mejora de sistemas y procesos a través
de los cuales los datos son accesados y utilizados.
4. Las Entradas son las cosas tangibles que cada Área de
Conocimiento requiere para iniciar sus actividades. Muchas
actividades requieren los mismos insumos. Por ejemplo,
muchos requieren el conocimiento de la Estrategia de
Negocio como entrada.
5. Las Salidas son los productos de las actividades dentro
del área del conocimiento, las cosas tangibles que cada
función es responsable de producir. Los productos pueden
ser finales en sí mismos o insumos de otras actividades.
Varios productos primarios son creados por múltiples
funciones.
6. Roles y Responsabilidades describen cómo los
individuos y los equipos contribuyen a las actividades
dentro del área del conocimiento. Los roles se describen
conceptualmente, con un enfoque en los grupos de roles
requeridos por la mayoría de las organizaciones. Los roles
para las personas se definen en términos de habilidades y
requisitos de calificación. El Marco de Habilidades para la
Era de la Información (SFIA) se utilizó para ayudar a
alinear títulos de roles. Muchos roles serán
interfuncionales.
7. Los Proveedores son las personas responsables de
proporcionar o permitir el acceso a los insumos para las
actividades.
8. Los Consumidores son aquellos que se benefician
directamente de los productos primarios generados por las
actividades de Gestión de Datos.
9. Los Participantes son las personas que realizan,
administran el desempeño o aprueban las actividades en el
Área de Conocimiento.
10. Las Herramientas son las aplicaciones y otras
tecnologías que permiten las metas del Área de
Conocimiento.
11. Las Técnicas son los métodos y procedimientos
utilizados para realizar actividades y producir entregables
dentro de un área de conocimiento. Las técnicas incluyen
convenciones comunes, recomendaciones de mejores
 prácticas, estándares y protocolos y, cuando proceda,
enfoques alternativos emergentes.
12. Las Métricas son normas para medir o evaluar el
desempeño, el progreso, la calidad, la eficiencia u otro
efecto. Las secciones de métricas identifican facetas
medibles del trabajo que se realiza dentro de cada área de
conocimiento. Las métricas también pueden medir
características más abstractas, como la mejora o el valor.
Mientras que la Rueda DAMA presenta el conjunto de las
Áreas de Conocimiento a un nivel alto, el Hexágono
reconoce componentes de la estructura de las Áreas de
Conocimiento, y los Diagramas de Contexto presentan los
detalles dentro de cada Área de Conocimiento. Ninguna de
las partes del Marco de Referencia de Gestión de Datos
DAMA existente describe la relación entre las diferentes
Áreas de Conocimiento.

Pirámide DMBOK (Aiken)

Si se les pregunta, muchas organizaciones dirán que

quieren sacar el máximo provecho de sus datos, están
luchando por esa pirámide dorada de prácticas avanzadas
(minería de datos, análisis, etc.). Pero esa pirámide es sólo
la parte superior de una estructura más grande, un pináculo
sobre un cimiento. La mayoría de las organizaciones no
tienen el lujo de definir una estrategia de Gestión de Datos
antes de empezar a tener que gestionar los datos. En su
lugar, construyen hacia esa capacidad, la mayoría de las
veces bajo condiciones menos que óptimas. El Marco de
Referencia de Peter Aiken utiliza las áreas funcionales del
DMBOK para describir la situación en la que se encuentran
muchas organizaciones.
Una organización puede utilizarla para definir un camino
hacia un estado donde tengan datos y procesos confiables
para apoyar los objetivos estratégicos del negocio. Al tratar
de alcanzar este objetivo, muchas organizaciones pasan
por una progresión lógica de pasos similar.

1. Fase 1: La organización compra una aplicación que

incluye capacidades de base de datos. Esto significa que la
 organización tiene un punto de partida para el modelado /
diseño de datos, el almacenamiento de datos y la
seguridad de los datos (por ejemplo, mantener a algunas
personas dentro y dejar otras afuera). Para mantener el
sistema funcionando dentro de su entorno y con sus datos
se requiere trabajar en integración e interoperabilidad.
2. Fase 2: Una vez que empiecen a usar la aplicación,
encontrarán desafíos con la calidad de sus datos. Pero
obtener datos de mayor calidad depende de Metadatos
confiables y una Arquitectura de Datos consistente. Éstos
proporcionan claridad acerca de cómo los datos de
diversos sistemas trabajan juntos.
3. Fase 3: las prácticas disciplinadas para la gestión de la
Calidad de los Datos, los Metadatos y la arquitectura
requieren un Gobierno de Datos que provea apoyo
estructural para las actividades de Gestión de Datos. El
Gobierno de Datos también permite la ejecución de
iniciativas estratégicas, tales como Gestión de Documentos
y Contenidos, Gestión de Datos de Referencia, MDM
(Master Data Management - Gestión de Datos Maestros),
DW (DataWarehouse- Almacén de Datos) y BI (Business
Intelligence - Inteligencia de Negocios), que habiliten
enteramente las prácticas avanzadas dentro de la pirámide
dorada.
4. Fase 4: La organización aprovecha los beneficios de los
datos bien gestionados y avanza en sus capacidades
analíticas.

La pirámide de Aiken se basa en la Rueda DAMA, pero

también le provee información al mostrar la relación entre las
Áreas de Conocimiento. No son todas intercambiables; tienen
varios tipos de interdependencias. El marco de referencia de
la pirámide tiene dos motivadores. En primer lugar, la idea de
construir sobre una base, utilizando componentes que
necesitan estar en los lugares adecuados para apoyarse
mutuamente. En segundo lugar, la idea algo contradictoria de
que éstas pueden ser puestas en práctica en un orden
arbitrario.
Marco de Referencia DAMA para la Gestión de Datos
Evolucionado

La pirámide de Aiken describe cómo las organizaciones

evolucionan hacia mejores prácticas de Gestión de Datos.
Otra manera de mirar las Áreas de Conocimiento de DAMA es
explorar las dependencias entre ellas. Desarrollada por Sue
Geuens, el marco de referencia de la imagen siguiente
reconoce que las funciones de BI y Analítica tienen
dependencias de todas las demás funciones de Gestión de
Datos. Dependen directamente de los datos maestros y de las
soluciones de DW. Pero éstos, a su vez, dependen de los
sistemas y aplicaciones que los alimentan de datos. La
fiabilidad de la calidad de los datos, el diseño de los datos y
las prácticas de interoperabilidad de los datos son
fundamentales para tener sistemas y aplicaciones confiables.
Además, el gobierno de datos, que dentro de este modelo
incluye la gestión de Metadatos, la seguridad de datos, la
Arquitectura de Datos y la Gestión de Datos de Referencia,
proporciona una base en la que todas las demás funciones
son dependientes.
Una tercera alternativa a la Rueda DAMA, (siguiente imagen).
Esto también se basa en conceptos arquitectónicos para
proponer un conjunto de relaciones entre las Áreas de
Conocimiento DAMA.
Proporciona detalles adicionales sobre el contenido de
algunas áreas de conocimiento con el fin de aclarar estas
relaciones. El marco de referencia comienza con el propósito
guía de la Gestión de Datos:
Permitir a las organizaciones obtener valor de sus activos de
datos como lo hacen con otros activos. La derivación del valor
requiere una gestión del ciclo de vida, por lo que las funciones
de Gestión de Datos relacionadas con el ciclo de vida de los
datos se representan en el centro del diagrama. Estos
incluyen planificación y diseño de datos confiables y de alta
calidad; establecer procesos y funciones a través de los
cuales los datos pueden ser habilitados para su uso y también
puedan ser mantenidos; y, finalmente, utilizar los datos en
varios tipos de análisis y a través de esos procesos,
incrementar su valor.
La sección de gestión del ciclo de vida describe el diseño de
la Gestión de Datos y las funciones operativas (modelado,
arquitectura, almacenamiento y operaciones, etc.) necesarias
para soportar los usos tradicionales de los datos (BI, gestión
de documentos y contenido). También reconoce las funciones
emergentes de Gestión de Datos (almacenamiento de Big
Data) que soportan usos emergentes de datos (Ciencia de
Datos, análisis predictivo, etc.). En los casos en que los datos
se gestionan realmente como un activo, las organizaciones
pueden obtener un valor directo de sus datos vendiéndolos a
otras organizaciones (monetización de datos).
Las organizaciones que se centran sólo en funciones directas
del ciclo de vida no obtendrán tanto valor de sus datos como
aquellos que apoyan el ciclo de vida de los datos a través de
actividades fundamentales y de supervisión. Las actividades
fundamentales, como la gestión del riesgo de datos,
Metadatos y gestión de la Calidad de los Datos abarcan el
ciclo de vida de los datos. Permiten tomar mejores decisiones
de diseño y facilitan el uso de los datos. Si son bien
ejecutadas, el mantenimiento de los datos se vuelve menos
costoso, los consumidores de datos tienen más confianza en
ellos, y las oportunidades para utilizarlos se expanden.
Para apoyar exitosamente a la producción y el uso de datos y
para asegurar que las actividades fundamentales se ejecuten
con disciplina, muchas organizaciones establecen la
supervisión bajo la forma de gobierno de datos. Un programa
de gobierno de datos permite que una organización sea
impulsada por datos, estableciendo la estrategia y apoyando
principios, políticas y prácticas de custodia que aseguren que
la organización reconozca y actúe sobre las oportunidades
para obtener valor de sus datos. Un programa de gobierno de
datos también debe participar en actividades de gestión del
cambio organizativo para educar a la organización y fomentar
comportamientos que permitan el uso estratégico de los datos.
Por lo tanto, la necesidad del cambio en la cultura abarca la
amplitud de las responsabilidades de gobierno de datos,
especialmente a medida que las prácticas de Gestión de
Datos de una organización maduran.

El Marco de Referencia de Gestión de Datos de DAMA

también puede representarse como una evolución de la
Rueda DAMA, con actividades centrales rodeadas de
actividades de ciclo de vida y uso de datos, contenidas dentro
de las constricciones de gobierno.

Las actividades principales, como la gestión de Metadatos, la

gestión de la Calidad de los Datos y la definición estructural
de los datos (arquitectura), están en el centro del marco. Las
actividades de gestión del ciclo de vida pueden definirse
desde una perspectiva de planificación (gestión de riesgos,
 modelado, diseño de datos, Gestión de Datos de Referencia)
y una perspectiva de habilitación (MDM, desarrollo de
tecnologías de datos, integración e interoperabilidad de datos,
DW, y almacenamiento y operaciones de datos).
Los usos emergen de las actividades de gestión del ciclo de
vida: uso de datos maestros, gestión de documentos y
contenidos, BI, ciencia de datos, análisis predictivo,
visualización de datos. Muchos de ellos crean más datos
mejorando o desarrollando conocimientos sobre los datos
existentes. Las oportunidades de monetización de datos
pueden ser identificadas como usos de datos. Las actividades
de Gestión de Datos proporcionan supervisión y contención, a
través de estrategias, principios, políticas y custodia. Generan
consistencia mediante la clasificación y valoración de los
datos.
La intención de presentar diferentes representaciones visuales
del Marco de Referencia de Gestión de Datos DAMA es
proveer una perspectiva adicional y abrir discusiones sobre
cómo aplicar los conceptos presentados en el DMBOK. A
medida que crece la importancia de la Gestión de Datos,
estos marcos se convierten en útiles herramientas de
comunicación tanto dentro de la comunidad de Gestión de
Datos como entre la comunidad de Gestión de Datos y
nuestros interesados.

● Comprender que es, su rol en la gestión de datos y

mecanismos de implementación

El Gobierno de Datos se define como el ejercicio de autoridad

y control (planificación, seguimiento y ejecución) sobre la
gestión de los activos de datos. Todas las organizaciones
toman decisiones sobre los datos, independientemente de si
tienen una función formal de Gobierno de Datos. Aquellos que
establecen un programa formal de Gobierno de Datos ejercen
autoridad y control con mayor intencionalidad (Seiner, 2014).
Estas organizaciones están en mejores condiciones de
aumentar el valor que obtienen de sus activos de datos.
La función de Gobierno de Datos guía todas las demás
funciones de la gestión de datos. El propósito del Gobierno de
Datos es asegurar que los datos se gestionen correctamente,
de acuerdo con las políticas y las mejores prácticas (Ladley,
2012). Mientras que el propósito de la Gestión de Datos en
general es asegurar que una organización obtenga valor de
sus datos, el Gobierno de Datos se centra en cómo se toman
las decisiones sobre los datos y cómo se espera que se
comporten las personas y los procesos en relación con los
datos. El alcance y el enfoque de un programa particular de
Gobierno de Datos dependerá de las necesidades de la
organización. La mayoría de los programas incluyen:
• Estrategia: Definir, comunicar e impulsar la ejecución de la
Estrategia de Datos y la Estrategia de Gobierno de Datos.
• Política: Establecimiento y aplicación de políticas
relacionadas con la gestión de datos y Metadatos, acceso,
uso, seguridad y calidad.
• Normas y calidad: Establecimiento y aplicación de
estándares de calidad de datos y Arquitectura de Datos.
• Supervisión: Proporcionar observación práctica, auditoría y
corrección en áreas clave de calidad, políticas y gestión de
datos (a menudo conocidas como custodia).
• Cumplimiento: Garantizar que la organización pueda
cumplir con los requerimientos regulatorios relacionados con
los datos.
• Gestión de problemas: Identificar, definir, escalar y resolver
problemas relacionados con la seguridad de los datos, el
acceso a los datos, la calidad de los datos, el cumplimiento de
la regulación, la propiedad de los datos, las políticas, los
estándares, la terminología o los procedimientos de gobierno
de los datos.
• Proyectos de gestión de datos: Patrocinar esfuerzos para
mejorar las prácticas de gestión de datos.
• Valoración de activos de datos: Establecimiento de
estándares y procesos para definir consistentemente el valor
comercial de los activos de datos.
Para lograr estos objetivos, un programa de Gobierno de
Datos desarrollará políticas y procedimientos, cultivará
prácticas de custodia de datos en múltiples niveles dentro de
la organización y participará en esfuerzos de gestión del
cambio organizacional que comuniquen activamente a la
organización los beneficios de un mejor Gobierno de Datos y
las conductas necesarias para gestionar los datos como un
activo de manera exitosa. Para la mayoría de las
organizaciones, la adopción formal del Gobierno de Datos
requiere del apoyo de la gestión del cambio organizaciona, así
como el patrocinio de un ejecutivo de alto nivel como son el
Oficial en Jefe de Riesgos, Oficial en Jefe de Finanzas, Oficial
en Jefe de Datos.
La capacidad de crear y compartir datos e información ha
transformado nuestras interacciones personales y
económicas. Las condiciones dinámicas del mercado y un
mayor conocimiento de los datos como diferenciador
competitivo están provocando que las organizaciones
reajusten sus responsabilidades de gestión de datos. Este tipo
de cambio es evidente en los sectores financiero, de comercio
electrónico, gubernamental y minorista. Las organizaciones se
esfuerzan cada vez más por ser más proactivas al considerar
los requerimientos de datos como parte del desarrollo de
estrategias, la planificación de programas y la implementación
de tecnología. Sin embargo, hacerlo a menudo implica
importantes retos culturales. Además, dado que la cultura
puede hacer descarrilar cualquier estrategia, los esfuerzos de
Gobierno de Datos deben incluir un componente de cambio
cultural, una vez más, con el apoyo de un fuerte liderazgo.
Para beneficiarse de los datos como un activo corporativo, la
cultura organizacional debe aprender a valorar los datos y las
actividades de gestión de datos. Incluso con la mejor
estrategia de datos, los planes de gobierno y gestión de datos
no tendrán éxito a menos que la organización acepte y
gestione el cambio. Para muchas organizaciones, el cambio
cultural es un reto importante. Uno de los principios
fundamentales de la gestión del cambio es que el cambio
organizacional requiere un cambio individual (Hiatt y Creasey,
2012). Cuando el gobierno y la gestión de datos exigen
cambios de comportamiento significativos, se requiere una
gestión formal del cambio para lograr el éxito.
El Gobierno de Datos no es un fin en sí mismo. Necesita
alinearse directamente con la estrategia de la organización.
Cuanto más claramente ayude a resolver problemas
organizacionales, más probable será que las personas
cambien sus comportamientos y adopten prácticas de
gobierno. Los motivadores del Gobierno de Datos se centran
con mayor frecuencia en la reducción de riesgos o en la
mejora de los procesos.
• Reducción de riesgos
• Gestión general de riesgos: Supervisión de los datos para
control de riesgos financieros o de reputación, incluida la
respuesta a cuestiones legales (E-Discovery) y
reglamentarias.
• Seguridad de los datos: Protección de los activos de datos
mediante controles de disponibilidad, usabilidad, integridad,
consistencia, auditoria y seguridad de los datos.
• Privacidad: Control de información para la identificación
personal (privada o confidencial) a través del monitoreo de
políticas y cumplimiento.
• Mejora de los procesos
• Cumplimiento regulatorio: La capacidad de responder de
forma eficaz y coherente a los
requerimientos regulatorios.
• Mejora de la calidad de los datos: la capacidad de contribuir
a mejorar el rendimiento del negocio haciendo que los datos
sean más confiables.
• Gestión de Metadatos: Establecimiento de un diccionario de
datos empresarial para definirlos y localizarlos en la
organización; hay que asegurar que una amplia gama de otros
Metadatos se gestiona y se ponen a disposición de la
organización.
• Eficiencia en proyectos de desarrollo: Las mejoras en el ciclo
de vida del desarrollo de
software para abordar los problemas y las oportunidades en la
gestión de datos en toda la organización, incluida la
especificación técnica de los datos mediante la gestión del
ciclo de vida de los datos.
• Gestión de proveedores: Control de contratos y acuerdos
con respecto a los datos, tales
como almacenamiento en nube, adquisición de datos
externos, ventas de datos como producto y operaciones de
externalización de datos.
Es esencial aclarar los motivadores de negocio particulares
para el Gobierno de Datos dentro de una organización y
alinearlos con la estrategia general del negocio. Enfocar la
"organización en el Gobierno de Datos" a menudo enajena a
los líderes quienes perciben un sobre esfuerzo adicional sin
beneficios aparentes. Sensibilizar la cultura organizacional es
necesario para determinar el lenguaje correcto, el modelo
operativo y los roles para el programa. Al momento de escribir
el DMBOK2, el término organización está siendo reemplazado
por términos como modelo o marco operativo. Si bien las
personas a veces afirman que es difícil entender lo que es el
Gobierno de los Datos, el gobierno en sí mismo es un
concepto común. En lugar de inventar nuevos enfoques, los
profesionales de la gestión de datos pueden aplicar los
conceptos y principios de otros tipos de gobierno al Gobierno
de los Datos.
Una analogía común es equiparar el Gobierno de Datos con la
auditoría y la contabilidad. Los auditores y contadores
establecen las normas para la gestión de los activos
financieros. Los profesionales del Gobierno de Datos
establecen reglas para la gestión de los activos de datos.
Otras áreas llevan a cabo estas reglas. El Gobierno de Datos
no es algo que se hace una sola vez. La gobernabilidad de los
datos requiere un programa continuo enfocado en asegurar
que una organización obtenga valor de sus datos y reduzca el
riesgo relacionado con los datos. Un equipo de Gobierno de
Datos puede ser una organización virtual o una organización
estructurada con responsabilidades específicas. Para que
sean eficaces, es necesario que se comprendan bien las
funciones y actividades de la gestión de datos.
Deben construirse en torno a un marco operativo que funcione
bien en la organización. Un programa de Gobierno de Datos
debe tener en cuenta los problemas organizacionales y
culturales, los desafíos y oportunidades específicas de la
gestión de datos dentro de la organización.
El Gobierno de Datos es independiente del gobierno de IT, el
gobierno de IT toma decisiones sobre las inversiones en IT, el
portafolio de aplicaciones de IT y el portafolio de proyectos de
IT, es decir, sobre el hardware, el software y la arquitectura
técnica general.
El gobierno de IT alinea las estrategias e inversiones de IT
con los objetivos y estrategias de la empresa. El marco COBIT
(Control Objectives for Information and Related Technologies
– Objetivos de Control para la Información y Tecnología
Relacionada) proporciona estándares para el gobierno de TI,
pero sólo una pequeña porción del marco COBIT se ocupa de
la gestión de datos e información.
Algunos temas críticos, como el cumplimiento de Sarbanes-
Oxley (EE. UU.), abarcan la preocupación por el gobierno
corporativo, el gobierno de TI y el Gobierno de Datos. Por el
contrario, el Gobierno de Datos se centra exclusivamente en
la gestión de los activos de datos y de los datos como activos.
La meta del Gobierno de Datos es permitir que una
organización gestione los datos como un activo.
El Gobierno de Datos proporciona los principios, las políticas,
los procesos, el marco, las métricas y la supervisión para
gestionar los datos como un activo y para orientar las
actividades de gestión de datos en todos los niveles. Para
lograr este objetivo general, un programa de Gobierno de
Datos debe ser:
• Sustentable: El programa de Gobierno de Datos debe ser
"pegajoso". El Gobierno de Datos no es un proyecto con un fin
definido; es un proceso continuo que requiere un compromiso
organizacional. El Gobierno de Datos necesita cambios en la
forma en que se gestionan y utilizan los datos. Esto no
siempre significa nuevos cambios organizacionales ni
trastornos. Significa gestionar el cambio de una manera que
sea sostenible más allá de la implementación inicial de
cualquier componente de Gobierno de Datos. El Gobierno de
Datos sostenible depende del liderazgo, el patrocinio y del
sentido de propiedad.
• Embebido: El Gobierno de Datos no es un proceso adicional.
Las actividades del Gobierno de Datos deben incorporarse a
los métodos de desarrollo de programas informáticos, al uso
de datos para análisis, la gestión de Datos Maestros y a la
gestión de riesgos.
• Medido: Un Gobierno de Datos bien hecho tiene un impacto
financiero positivo, pero para demostrar este impacto es
necesario comprender el punto de partida y planificar una
mejora medible.
La implementación de un programa de Gobierno de Datos
requiere un compromiso con el cambio. Los siguientes
principios, desarrollados desde principios de la década de
2000, pueden ayudar a establecer una base sólida para el
Gobierno de Datos.

• Liderazgo y estrategia: El éxito del Gobierno de Datos inicia

con un liderazgo visionario y comprometido. Las actividades
de gestión de datos están guiadas por una estrategia de datos
que es impulsada por la estrategia de negocio de la empresa.
• Impulsado por el negocio: El Gobierno de Datos es un
programa empresarial y, como tal, debe controlar las
decisiones de TI relacionadas con los datos tanto como
gobierna la interacción del negocio con los datos.
• Responsabilidad compartida: En todas las Áreas de
Conocimiento de la Gestión de Datos, Gobierno de Datos es
una responsabilidad empresarial compartida entre los Data
Stewards y los profesionales técnicos de Gestión de Datos.
• Multi-capas: El Gobierno de Datos se produce tanto a nivel
empresarial como local y, a
menudo, en niveles intermedios.
• Basado en un marco de referencia: Debido a que las
actividades de Gobierno de Datos
requieren coordinación entre áreas funcionales, el programa
de Gobierno de Datos debe
establecer un marco operativo que defina responsabilidades e
interacciones.
• Basado en principios: Los principios rectores son la base de
las actividades de Gobierno de Datos, y especialmente de la
política de Gobierno de Datos. Con frecuencia, las
organizaciones desarrollan políticas sin principios formales –
están intentando resolver problemas particulares. Los
principios pueden ser a veces una ingeniería en reversa
desde una política. Sin embargo, es mejor articular un
conjunto básico de principios y mejores prácticas como parte
del trabajo de políticas. La referencia a los principios puede
mitigar la resistencia potencial. Con el tiempo, en una
organización surgirán otros principios rectores. Publíquelos en
un entorno interno compartido junto con otros artefactos de
Gobierno de los Datos.
Una organización centrada en los datos los valora y administra
como un activo a través de todas las fases de su ciclo de vida,
incluyendo el desarrollo de proyectos y las operaciones en
curso. Para centrarse en los datos, una organización debe
cambiar la forma en que traduce la estrategia en acción. Los
datos ya no se tratan como un subproducto del proceso y las
aplicaciones. Garantizar que los datos sean de alta calidad es
un objetivo de los procesos de negocio. A medida que las
organizaciones se esfuerzan por tomar decisiones basadas en
la información obtenida a partir de la analítica, la gestión
eficaz de datos se convierte en una prioridad muy alta.
Las personas tienden a confundir datos y tecnología de la
información. Para centrarse en los datos, las organizaciones
necesitan pensar de manera diferente y reconocer que la
Gestión de Datos es diferente de la Gestión de TI. Este
cambio no es fácil. La cultura existente, con su política interna,
la ambigüedad sobre la propiedad, la competencia
presupuestaria, y los sistemas legados, pueden ser un gran
obstáculo para establecer una visión empresarial de Gobierno
de Datos y Gestión de Datos.
Si bien cada organización necesita evolucionar sus propios
principios, aquellos que buscan obtener más valor de sus
datos probablemente compartan lo siguiente:
• Los datos deben gestionarse como un activo corporativo.
• Las mejores prácticas de Gestión de Datos deben
incentivarse en toda la organización.
• La estrategia de datos empresarial debe estar directamente
alineada con la estrategia general
de negocio.
• Los procesos de Gestión de Datos deben mejorarse
continuamente.

Gobierno de Datos puede entenderse en términos de

gobernanza política. Incluye funciones legislativas (definición
de políticas, estándares y arquitectura de datos empresarial),
funciones de tipo judicial (gestión de problemas y
escalamiento), y funciones ejecutivas (protección y servicio,
responsabilidades administrativas). Para gestionar mejor el
riesgo, la mayoría de las organizaciones adoptan una forma
representativa de Gobierno de Datos, para que todas las
partes interesadas puedan ser escuchadas.
Cada organización debe adoptar un modelo de gobierno que
respalde su estrategia de negocio y es probable que tenga
éxito dentro de su propio contexto cultural. Las organizaciones
también deben estar preparadas para evolucionar ese modelo
para enfrentar nuevos desafíos. Los modelos difieren con
respecto a su estructura organizativa, nivel de formalidad y
enfoque para la toma de decisiones.
Algunos modelos están organizados de forma centralizada,
mientras que otros son distribuidos. Las organizaciones de
Gobierno de Datos también pueden tener múltiples capas
para abordar las inquietudes en diferentes niveles dentro de
una empresa – local, divisional y empresarial. El trabajo de
Gobierno a menudo se divide entre múltiples comités, cada
uno con un propósito y un nivel de supervisión diferentes de
los demás.
modelo genérico de Gobierno de Datos, con actividades
en diferentes niveles dentro de la organización (eje
vertical), así como la separación de las
responsabilidades de gobierno dentro de las funciones
de la organización y entre las áreas técnicas (IT) y
negocio.
Comités / Órganos Típicos de Gobierno de Datos.

Tipos de Modelos Operativos de Gobierno de Datos

En un modelo centralizado, una organización de Gobierno de

Datos supervisa las actividades en todas las áreas temáticas.
En un modelo replicado, cada unidad de negocio adopta el
mismo modelo operativo y estándares del Gobierno de Datos.
En un modelo federado, una organización de Gobierno de
Datos coordina con varias unidades de negocio para
mantener definiciones y estándares coherentes.
● Conocer los distintos marcos operativos que pueden
implementarse con sus fortalezas y debilidades.
Construcciones Organizacionales de Gestión de Datos
Un paso fundamental en el diseño de la Organización de
Gestión de Datos es identificar el modelo operativo más
adecuado para la organización. El modelo operativo es un
marco de referencia que articula roles, responsabilidades y
procesos de toma de decisiones. Éste describe cómo las
personas y las funciones colaborarán. Un modelo operativo
confiable ayuda a crear responsabilidad, garantizando que se
representen las funciones correctas dentro de la organización.
Facilita la comunicación y proporciona un proceso para
resolver problemas. Si bien forma la base de la estructura
organizacional,
el modelo operativo no es un organigrama: no se trata de
poner nombres en los cuadros, sino de describir la relación
entre los componentes de la organización. Esta sección
presentará una descripción general de alto nivel de los pros y
los contras de los modelos operativos descentralizados, de
red, híbridos, federados y centralizados.
1. Modelo Operativo Descentralizado
En un modelo descentralizado, las responsabilidades de
gestión de datos se distribuyen a través de diferentes
líneas de negocios y IT. La colaboración está basada en
comités; no hay un solo dueño. Muchos programas de
Gestión de Datos comienzan como esfuerzos básicos para
unificar las prácticas de gestión de datos en una
organización y, por lo tanto, tienen una estructura
descentralizada.

Los beneficios de este modelo incluyen su estructura

relativamente plana y su alineación de la gestión de datos
con las líneas de Negocio o IT. Esta alineación
generalmente significa que hay una comprensión clara de
los requerimientos de datos. También es relativamente fácil
de implementar o mejorar.
Los inconvenientes incluyen el desafío de tener muchos
participantes involucrados en los cuerpos de gobierno y en
la toma de decisiones. En general, es más difícil
implementar decisiones colaborativas que los edictos
centralizados. Los modelos descentralizados generalmente
son menos formales y, debido a esto, pueden ser más
 difíciles de sostener con el tiempo. Para tener éxito, deben
tener formas de imponer la consistencia de las prácticas.
Esto puede ser difícil de coordinar. También, a menudo es
difícil definir la propiedad de los datos con un modelo
descentralizado.

2. Modelo Operativo de Red

La informalidad descentralizada puede hacerse más formal
a través de una serie documentada de conexiones y
responsabilidades a través de una matriz RACI
(Responsible, Accountable, Consulted, Informed -
Responsable, A cargo, Consultado e Informado). Esto se
denomina modelo de red porque funciona como una serie
de conexiones conocidas entre personas y roles, y se
puede diagramar como una "red".

Los beneficios de un modelo de red son similares a los de

un modelo descentralizado (estructura plana, alineación,
configuración rápida). La adición de una matriz RACI
ayuda a crear responsabilidad sin afectar los organigramas
organizacionales. El inconveniente adicional es la
necesidad de mantener y hacer cumplir las expectativas
relacionadas con la matriz RACI.
3. Modelo Operativo Centralizado
El modelo operativo de gestión de datos más formal y
maduro es uno centralizado. Aquí todo es propiedad de la
Organización de Gestión de Datos. Aquellos involucrados
en gobernar y gestionar datos reportan directamente a un
líder de gestión de datos, quien es responsable de
Gobierno, Custodia, Gestión de Metadatos, Gestión de
Calidad de Datos, Gestión de Datos Maestros y de
Referencia, Arquitectura de Datos, Análisis de Negocio,
etc.

El beneficio de un modelo centralizado es que este

establece un puesto ejecutivo formal para la gestión de
datos o el gobierno de datos. Hay una persona en la cima.
La toma de decisiones es más fácil porque la
responsabilidad es clara. Dentro de la organización, los
datos se pueden gestionar por tipo o por área temática. El
inconveniente es que la implementación de un modelo
centralizado generalmente requiere un cambio
organizacional significativo. También existe el riesgo de
que la separación formal del rol de gestión de datos lo
aleje de los procesos centrales del negocio y pueda hacer
que el conocimiento se pierda con el tiempo. Un modelo
centralizado generalmente requiere una nueva
organización. Surge la pregunta: ¿Dónde encaja la
Organización de Gestión de Datos dentro de la empresa
en general? ¿Quién lo dirige y a quién le reporta el líder?
Cada vez se está volviendo más común para una
organización de gestión de datos que no se le reporte al
CIO debido al deseo de mantener una perspectiva de
datos en el negocio, más que en TI. Estas organizaciones
también son comúnmente parte de un equipo de
operaciones o de servicios compartidos o parte de la
organización del Director de Datos.
4. Modelo Operativo Híbrido
Como su nombre lo indica, el modelo operativo híbrido
abarca los beneficios de los modelos descentralizados y de
los centralizados. En un modelo híbrido, un Centro de
Excelencia de gestión de datos centralizado trabaja con
grupos de unidades de negocio descentralizadas,
generalmente a través de un comité directivo ejecutivo que
representa las líneas clave de negocios y un conjunto de
grupos de trabajo tácticos que abordan problemas
específicos. En este modelo, algunos roles permanecen
descentralizados. Por ejemplo, los Arquitectos de Datos
pueden permanecer dentro de un grupo de Arquitectura
Empresarial; las líneas de negocio pueden tener sus
propios equipos de Calidad de Datos. Cuáles roles están
centralizados y cuáles se mantienen descentralizados
puede variar ampliamente, dependiendo en gran medida de
la cultura organizacional.
El principal beneficio de un modelo híbrido es que éste
establece una dirección adecuada desde la parte superior
de la organización. Hay un ejecutivo responsable de la
gestión y/o gobierno de datos.
Los equipos de las unidades de negocio tienen una amplia
responsabilidad y pueden alinearse con las prioridades del
negocio para proporcionar un mayor enfoque. Se
benefician del apoyo de un Centro de Excelencia de
gestión de datos dedicado, que puede ayudar a enfocarse
hacia desafíos específicos. Los desafíos incluyen
establecer la organización, ya que hacerlo generalmente
requiere personal adicional para crear el staff de un Centro
de Excelencia. Los equipos de las Unidades de Negocio
pueden tener diferentes prioridades, y éstas deberán
gestionarse desde una perspectiva empresarial. Además, a
veces hay conflictos entre las prioridades de la
organización central y aquellas prioridades de las
organizaciones descentralizadas.
5. Modelo Operativo Federado
Una variante del modelo operativo híbrido, el modelo
federado, proporciona capas adicionales de
centralización/descentralización, que a menudo se
requieren en grandes empresas globales. Imagine una
Organización Empresarial de Gestión de Datos con
múltiples modelos híbridos de gestión de datos delineados
según la división o la región. Un modelo federado
proporciona una estrategia centralizada con ejecución
descentralizada. Por lo tanto, para las grandes empresas,
puede ser el único modelo que puede funcionar. Un
ejecutivo de gestión de datos que rinde cuentas en toda la
organización dirige el Centro de Excelencia empresarial.
Por supuesto, diferentes líneas de negocios están
facultadas para cumplir con los requerimientos en función
de sus necesidades y prioridades. La federación permite a
la organización priorizar en función de entidades de datos
específicas, desafíos divisionales o prioridades regionales.
El principal inconveniente es la complejidad. Hay muchas
capas y es necesario que exista un equilibrio entre la
autonomía de las líneas de negocio y las necesidades de la
empresa. Este equilibrio puede afectar las prioridades de la
empresa.
Identificando el Mejor Modelo para una Organización
El modelo operativo es un punto de partida para mejorar las
prácticas de la gestión de datos y del gobierno de datos.
Introducirlo requiere un entendimiento de cómo éste puede
afectar la organización actual y cómo es probable que éste
deba evolucionar con el tiempo. Dado que el modelo
operativo servirá como la estructura a través de la cual se
definirán, aprobarán y ejecutarán las políticas y los
procesos, es crítico identificar la mejor opción para una
organización.
Evalúe si la estructura organizacional actual es centralizada,
descentralizada o una combinación, jerárquica o
relativamente plana. Caracterice cómo son las divisiones o
regiones independientes. ¿Operan casi de manera
autosuficiente? ¿Son sus requerimientos y objetivos muy
diferentes el uno del otro? Lo que es más importante, trate
de determinar cómo se toman las decisiones (por ejemplo,
democráticamente o por decreto), y cómo se implementan.
Las respuestas deberían dar un punto de partida para
entender la ubicación de la organización en el espectro
entre descentralizado y centralizado. Entender cuales son
los principales órganos de Gobierno del dato, como se
insertan en la organización y cual es su aporte a la gestión
de datos.

Alternativas de DMO y Consideraciones de Diseño

La mayoría de las organizaciones comienzan con un
modelo descentralizado antes de avanzar hacia una
Organización de Gestión de Datos (DMO) formal. A medida
que una organización ve el impacto de las mejoras en la
calidad de los datos, puede comenzar a formalizar la
responsabilidad a través de una matriz RACI de gestión de
datos y evolucionar hacia un modelo de red. Con el tiempo,
las sinergias entre los roles distribuidos se harán más
obvias y se identificarán las economías de escala que
llevarán algunos roles y personas hacia los grupos
organizados. Eventualmente, esto puede transformarse en
un modelo híbrido o federado.
Algunas organizaciones no tienen el lujo de pasar por este
proceso de madurez. Se ven obligados a madurar
rápidamente en función de un impacto en el mercado o de
nuevas regulaciones gubernamentales. En tal caso, es
importante abordar de manera proactiva la incomodidad
asociada con el cambio organizacional para que sea exitoso
y sostenible.
Cualquiera que sea el modelo elegido, recuerde que la
simplicidad y la facilidad de uso son esenciales para la
aceptación y la sostenibilidad. Si el modelo operativo se
ajusta a la cultura de una empresa, entonces la gestión de
datos y el gobierno adecuado pueden integrarse en las
operaciones y alinearse con la estrategia. Tenga estos
consejos en mente cuando construya un Modelo Operativo:
• Determine el punto de partida evaluando el estado actual
• Ate el modelo operativo a la estructura de la organización
• Tenga en cuenta:
• Complejidad de la organización + Madurez
• Complejidad del Dominio + Madurez
• Escalabilidad
• Obtenga patrocinio ejecutivo - imprescindible para un
modelo sustentable
• Asegúrese de que cualquier foro de liderazgo (comité
directivo, consejo asesor, consejo) sea un cuerpo de
toma de decisiones
• Considere programas piloto y etapas de
implementación
• Céntrese en dominios de datos de gran valor y alto
impacto
• Use lo que ya existe
• Nunca tome un enfoque de “Talla Única para Todos”
(One-Size-Fits-All)
● Conocer los principales roles de Gobierno del dato y sus
actividades principales.

Roles de Gestión de Datos

Los roles de gestión de datos se pueden definir a nivel
funcional o individual. Los nombres para los roles serán
diferentes entre las organizaciones y algunas organizaciones
tendrán mayor o menor necesidad de algunos de los roles.
Todos los roles de IT se pueden asignar hacia puntos en el
ciclo de vida de los datos, por lo que todos impactan la gestión
de los datos, ya sea directamente (como con un arquitecto de
datos que diseña un data warehouse) o indirectamente (como
con un desarrollador web que programa un sitio web). Del
mismo modo, muchos roles del negocio crean, acceden o
manipulan datos. Algunos roles, tales como el Analista de
Calidad de Datos, requieren una combinación de habilidades
técnicas y conocimiento
del negocio. Las funciones y roles que se describen a
continuación se enfocan hacia la gestión de datos.
Roles Individuales
Los roles individuales se pueden definir bajo el negocio o IT.
Algunos son roles híbridos que requieren conocimiento de los
sistemas y de los procesos del negocio.
▪ Roles Ejecutivos
Los ejecutivos de Gestión de Datos pueden estar en
el negocio o del lado tecnológico de la casa. El
Director de Información (CIO- Chief Information
Officer) y el Director de Tecnología (CTO-Chief
Technology Officer) son roles bien establecidos en TI.
El concepto de Director de Datos (CDO- Chief Data
Officer) del lado del negocio ha ganado mucha
credibilidad en la última década y muchas
organizaciones han contratado CDOs.
▪ Roles del Negocio
Los roles del negocio se enfocan principalmente en
las funciones de gobierno de datos, especialmente en
la administración. Los data stewards generalmente
son expertos en la materia, a quienes se les asigna la
 responsabilidad de los Metadatos y de la calidad de
los datos de las entidades del negocio, las áreas
temáticas o bases de datos. Los stewards juegan
diferentes roles, dependiendo de las prioridades de la
organización. El enfoque inicial de la custodia es a
menudo la definición de términos de negocio y de
valores válidos para sus áreas temáticas. En muchas
organizaciones, los data stewards también definen y
mantienen los requerimientos de calidad de datos y
reglas de negocio para los atributos de
datos asignados, ayudan a identificar y resolver
problemas de datos, y proporcionan información
sobre estándares de datos, políticas y
procedimientos. Los stewards pueden funcionar en la
empresa, en la unidad de negocio o a nivel funcional.
Su rol puede ser formal (‘data steward’ es parte del
título) o informal (custodian datos, pero tienen otro
puesto).
Además de los data stewards, los Analistas de
Procesos de Negocio y los Arquitectos de Procesos
contribuyen a garantizar que los modelos de
procesos del negocio y los procesos reales que crean
los datos sean sólidos y soporten los usos
posteriores.
Otros trabajadores del conocimiento basados en el
negocio, tales como los analistas del negocio,
consumidores de datos e información, que agregan
valor a los datos para la organización, contribuyen a
toda la gestión de datos.
▪ Roles de TI
Los roles de TI incluyen diferentes tipos de
arquitectos, desarrolladores a diferentes niveles,
administradores de bases de datos y una amplia
gama de funciones de soporte.
- Arquitecto de datos: Un analista senior
responsable de la arquitectura de datos y de la
integración de datos. Los Arquitectos de Datos
pueden trabajar a nivel empresarial o a nivel
funcional. Los Arquitectos de Datos pueden
 especializarse en data warehousing, data marts y
sus procesos de integración asociados.
- Modelador de Datos: Responsable de capturar y
modelar los requerimientos de datos, definiciones
de datos, reglas de negocio, requerimientos de
calidad de datos y modelos de datos físicos y
lógicos.
- Administrador del Modelo de Datos:
Responsable del control de versiones y del control
de cambios del modelo de datos.
- Administrador de Bases de Datos: Responsable
del diseño, implementación y soporte de activos de
datos estructurados y del rendimiento de la
tecnología que hace que los datos sean
accesibles.
- Administrador de Seguridad de Datos:
Responsable de garantizar el acceso controlado a
los datos que requieren diferentes niveles de
protección.
- Arquitecto de Integración de Datos: Un
desarrollador senior de integración de datos,
responsable de diseñar tecnología para integrar y
mejorar la calidad de los activos de datos
empresariales.
- Especialista en Integración de Datos: Un
diseñador de software o desarrollador responsable
de implementar sistemas para integrar (replicar,
extraer, transformar, cargar) activos de datos, en
lotes o casi en tiempo real.
- Desarrollador de Analítica/Reportes: Un
desarrollador de software responsable de crear
soluciones y aplicaciones analíticas.
- Arquitecto de Aplicaciones: Desarrollador
senior, responsable de integrar sistemas de
aplicaciones.
- Arquitecto Técnico: Ingeniero técnico senior,
responsable de coordinar e integrar la
infraestructura de IT y el portafolio tecnológico de
IT.
 - Ingeniero Técnico: Analista técnico senior,
responsable de investigar, implementar, gestionar
y respaldar una parte de la infraestructura
tecnológica de la información.
- Administrador de la Mesa de Ayuda:
Responsable de manejar, rastrear y resolver
problemas relacionados con el uso de la
información, los sistemas de información o la
infraestructura de IT.
- Auditor de IT: Auditor interno o externo de las
responsabilidades de IT, incluida la calidad de los
datos y la seguridad de los datos.

● Comprender los distintos modelos para designar dominios,

subdominios y quienes son sus responsables.

● Entender cuales son las actividades que desarrolla un

área de Gobierno del dato.

● Conocer las principales herramientas que ofrece el

mercado y sus capacidades.
● Comprender los conceptos generales del aseguramiento
de la calidad a lo largo del ciclo de vida de los datos.
La gestión efectiva de datos implica un conjunto de procesos
complejos e interrelacionados que permiten a una
organización utilizar sus datos para lograr objetivos
estratégicos. La gestión de datos incluye la capacidad de
diseñar datos para aplicaciones, almacenarlos y acceder a
ellos de forma segura, compartirlos de manera adecuada,
aprender de ellos y garantizar que satisfagan las necesidades
del negocio. Un supuesto que subyace la certeza acerca del
valor de los datos es que los datos en por sí solos son
confiables y dignos de confianza. En otras palabras, que son
de alta calidad. Sin embargo, muchos factores pueden
socavar esa suposición al contribuir a la poca calidad de los
datos: falta de comprensión sobre los efectos de los datos de
baja calidad en el éxito de la organización, mala planificación,
diseño de sistemas 'en silos', procesos de desarrollo
inconsistentes, documentación incompleta, falta de
estándares, o falta de gobierno. Muchas organizaciones no
logran definir qué hace que los datos sean adecuados para su
propósito. Todas las disciplinas de gestión de datos
contribuyen a la calidad de los datos, y el objetivo de todas las
disciplinas de gestión de datos debe ser la alta calidad de la
información de manera que respalde a la organización.
Debido a que las decisiones o acciones no informadas de
cualquier persona que interactúa con los datos pueden dar
como resultado datos de baja calidad, la producción de datos
de alta calidad requiere compromiso y coordinación
interfuncionales. Las organizaciones y los equipos deben ser
conscientes de esto y deben planificar pensando en datos de
alta calidad, ejecutando procesos y proyectos de manera que
tengan en cuenta el riesgo relacionado con condiciones
inesperadas o inaceptables en los datos. Debido a que
ninguna organización tiene procesos comerciales perfectos,
procesos técnicos perfectos o prácticas perfectas de gestión
de datos, todas las organizaciones experimentan problemas
relacionados con la calidad de sus datos. Las organizaciones
que gestionan formalmente la calidad de los datos tienen
menos problemas que las que dejan la calidad
de los datos al azar.
La gestión formal de la calidad de los datos es similar a la
gestión continua de la calidad para otros productos. Incluye la
gestión de datos a través de su ciclo de vida mediante el
establecimiento de estándares, la creación de calidad en los
procesos que crean, transforman y almacenan datos, y la
medición de datos contra estándares de calidad. La gestión de
datos a este nivel generalmente requiere un equipo de
programa de calidad de datos. El equipo del programa de
calidad de datos es responsable de involucrar a los
profesionales de la gestión de datos del negocio y técnicos,
con el trabajo de aplicar técnicas de gestión de calidad a los
datos para garantizar que los datos sean aptos para el
consumo de una vasta variedad de propósitos. Es probable
que el equipo participe en una serie de proyectos a través de
los cuales pueden establecer procesos y mejores prácticas,
mientras abordan problemas de datos de alta prioridad.
Debido a que gestionar la calidad de los datos implica el ciclo
de vida de los datos, un programa de Calidad de los Datos
también tendrá responsabilidades operativas relacionadas con
el uso de los datos. Por ejemplo, informar sobre los niveles de
calidad de los datos y participar en el análisis, cuantificación y
priorización de los problemas de datos. El equipo también es
responsable de trabajar con aquellos que necesitan datos
para hacer su trabajo, garantizando que los datos satisfagan
sus necesidades y trabajar con aquellos que crean, actualizan
o eliminan datos en el curso de sus trabajos para asegurarse
de que están manejando los datos adecuadamente. La
calidad de los datos depende de todos los que interactúan con
los datos, no solo de los profesionales de gestión de datos.
Como es el caso con Gobierno de Datos y con la gestión de
datos en su conjunto, la Gestión de la Calidad de los Datos es
un programa, no un proyecto. Incluirá tanto proyectos, como
trabajos de mantenimiento, junto con un compromiso a
generar comunicaciones y capacitación. Lo más importante, el
éxito a largo plazo del programa de mejora de la calidad de
los datos depende de lograr que una organización cambie su
cultura y adopte una mentalidad orientada a la calidad. Como
se indica en el Manifiesto del Líder de Datos: el cambio
fundamental y duradero requiere un liderazgo comprometido y
la participación de personas de todos los niveles en una
organización. Las personas que usan datos para hacer su
trabajo, que en la mayoría de las organizaciones es un
porcentaje muy alto de empleados, necesitan ser los que
impulsan el cambio. Uno de los cambios más críticos para
enfocarse es cómo sus organizaciones gestionan y mejoran la
calidad de sus datos.
Los programas de calidad de datos se centran en estas
metas generales:
• Desarrollar un enfoque de gobierno para hacer que los datos
se ajusten a su propósito según los requerimientos de los
consumidores de datos.
• Definir estándares y especificaciones para controles de
calidad de datos como parte del ciclo de vida de los datos
• Definir e implementar procesos para medir, monitorear e
informar sobre los niveles de
calidad de los datos
• Identificar y abogar por oportunidades para mejorar la
calidad de los datos, a través de
cambios en los procesos y sistemas, y participar en
actividades que mejoren de manera
considerable la calidad de los datos en función de los
requerimientos de los consumidores de datos.
Los programas de calidad de datos deben guiarse por los
siguientes principios:
• Criticidad: Un programa de calidad de datos debe centrarse
en los datos más críticos para la empresa y sus clientes. Las
prioridades de mejora deben basarse en la importancia crítica
de los datos y en el nivel de riesgo si los datos no son
correctos.
• Gestión del ciclo de vida: La calidad de los datos debe
gestionarse en todo el ciclo de vida de los datos, desde la
creación o adquisición hasta la eliminación. Esto incluye la
gestión de datos a medida que se mueven dentro y entre
sistemas (por ejemplo, cada enlace en la cadena de datos
debe garantizar que la salida de datos sea de alta calidad).
• Prevención: El objetivo de un programa de calidad de datos
debe ser prevenir los errores de datos y las condiciones que
reducen la usabilidad de los datos; no debe enfocarse
simplemente en corregir registros.
• Remediación de la causa raíz: Mejorar la calidad de los
datos va más allá de corregir los errores. Los problemas con
la calidad de los datos deben entenderse y abordarse en sus
causas principales, en lugar de solo sus síntomas. Debido a
que estas causas a menudo están relacionadas con el diseño
de procesos o sistemas, mejorar la calidad de los datos a
 menudo requiere cambios en los procesos y los sistemas que
los respaldan.
• Gobierno: Las actividades de gobierno de datos deben
respaldar el desarrollo de datos de alta calidad y las
actividades del programa de calidad de datos deben respaldar
y mantener un entorno de datos gobernado.
• Basado en estándares: Todos los interesados en el ciclo de
vida de los datos tienen requerimientos de calidad de datos.
En la medida de lo posible, estos requerimientos deben
definirse en forma de estándares y expectativas medibles
contra los cuales se pueda medir la calidad de los datos.
• Medición objetiva y transparencia: Los niveles de calidad de
los datos deben medirse de manera objetiva y coherente. Las
mediciones y la metodología de medición deben compartirse
con las partes interesadas, ya que son los árbitros de la
calidad.
• Integrado en procesos comerciales: Los propietarios de
procesos comerciales son responsables de la calidad de los
datos producidos a través de sus procesos. Deben hacer
cumplir los estándares de calidad de datos en sus procesos.
• Aplicación sistemática: Los propietarios de los sistemas
deben hacer cumplir sistemáticamente los requerimientos de
calidad de los datos.
• Conectado a niveles de servicio: Los informes de calidad de
datos y la gestión de problemas deben incorporarse en los
Acuerdos de Nivel de Servicio (SLA).

● Entender qué son los datos críticos, métodos de evaluación

de datos críticos y curado.
● Entender el proceso y los roles involucrados en la gestión de
la calidad de los datos
● Conocer arquitecturas estándar de despliegues de modelos
de calidad, desde la medición al saneo.
● Comprender los métodos de saneo de datos y su importancia

● Conocer los principales métodos de valuación de activos.

● Conocer las principales herramientas que ofrece el mercado y
sus capacidades.