La mayoría de los programas de gobierno de datos fracasan por la misma razón: se redactan políticas que no se aplican fuera de producción. El comité aprueba un documento, la organización lo da por resuelto y, mientras tanto, una copia sin proteger de la base de clientes sigue activa en varios entornos de QA. Ese es el escenario que este artículo busca cerrar.
El gobierno de datos —también denominado gobernanza de datos— ha dejado de ser un asunto de comités para convertirse en un requisito operativo. En sectores regulados, además, es una condición para superar una auditoría. A continuación se explica qué es, en qué se diferencia de la gestión de datos, qué frameworks funcionan y dónde suele romperse el modelo en la práctica.
Qué es el gobierno de datos
El gobierno de datos es el conjunto de políticas, roles, procesos y controles técnicos que garantizan que los datos de una organización sean correctos, estén disponibles para quien los necesita, permanezcan protegidos y puedan auditarse en cualquier momento. Esa es la definición operativa de "qué es data governance" y la que conviene fijar antes de avanzar.
Un matiz que muchas guías omiten: el gobierno del dato no se limita a producción. Cubre el ciclo de vida completo de la información, desde su generación hasta su eliminación, e incluye los entornos donde los controles suelen ser más débiles y el riesgo más alto —desarrollo, pruebas, analítica y data lakes—. Ahí es donde la seguridad de datos aporta las medidas técnicas que hacen cumplir lo que la gobernanza define.
Gobierno de datos vs gestión de datos
Se confunden con frecuencia, y no son lo mismo. El gobierno de datos define las reglas: quién decide, qué se permite y con qué finalidad. La gestión de datos (data management) las ejecuta: cómo se almacena, se mueve y se transforma la información en el día a día.
La relación es la que existe entre una política de seguridad y el firewall que la implementa. Una sin la otra no aporta valor. Un marco de gobernanza sin capacidad técnica para aplicarlo queda en teoría; la capacidad técnica sin gobierno se traduce en herramientas dispersas que toman decisiones inconsistentes.
Frameworks de data governance
No es necesario diseñar un modelo desde cero. Los data governance frameworks que emplea la mayoría de las organizaciones ya están validados en producción:
- DAMA-DMBOK es el estándar de referencia. Estructura la disciplina en áreas concretas —calidad, seguridad, metadatos, arquitectura, ciclo de vida— y funciona como inventario para detectar carencias.
- DCAM (Data Management Capability Assessment Model) resulta más útil para medir el grado de madurez y justificar la inversión ante dirección.
- Data mesh no es un framework de gobierno en sentido estricto, pero redefine el reparto de responsabilidades en arquitecturas distribuidas, por lo que aparece en cualquier discusión sobre gobernanza a escala.
Para equipos europeos conviene añadir una referencia regulatoria: el Data Governance Act de la UE regula cómo se comparten y reutilizan datos entre organizaciones. No sustituye al framework interno, pero define parte del terreno de juego. Para el 90 % de los casos, DAMA-DMBOK es un punto de partida suficiente; el objetivo es adaptarlo, no aplicarlo de forma literal.
Los componentes que determinan el resultado
Un modelo de gobernanza se sostiene sobre cuatro elementos y falla por el más débil.
Roles definidos. Sin un responsable identificado, las políticas se diluyen. Los Data Owners responden del dato en su dominio y deciden en línea con los objetivos de negocio. Los Data Stewards aplican las políticas en la operativa diaria. Un comité de gobierno resuelve los conflictos que estos no pueden cerrar. Un dataset sin propietario es un dataset sin gobierno.
Políticas convertidas en controles. Una política de clasificación de datos que reside en un PDF no protege nada. Debe traducirse en reglas de acceso, matrices de riesgo y procesos de anonimización que se ejecuten de forma automática.
Calidad de datos. La gobernanza sin calidad de datos es superficial. Los duplicados, las inconsistencias y los campos mal tipados invalidan cualquier análisis y degradan las pruebas en entornos no productivos. La validación automatizada es la condición que da sentido al resto del marco.
Arquitectura de soporte. Catálogos y linaje para conocer qué datos existen y de dónde proceden. Descubrimiento y clasificación automática de información sensible, como los datos de PII. Y protección que acompañe al dato cuando abandona producción. Esta última capa es la que la mayoría de las organizaciones deja para el final.
Herramientas de data governance
El mercado de data governance tools se organiza en categorías que resuelven problemas distintos, y ninguna cubre el ciclo completo: