En muchas empresas ocurre lo mismo: en una reunión de directorio se presentan dos reportes sobre el mismo indicador… y los números no calzan. Finanzas muestra una cifra, Comercial otra distinta, y Operaciones tiene un Excel con un tercer valor. ¿Quién tiene la razón? ¿En qué datos confía la gerencia?
Ese síntoma —reportes contradictorios— es una señal clara de que falta gobierno de datos. No es solo un tema técnico: es un problema de reglas, roles y decisiones de negocio sobre cómo se definen, se usan y se controlan los datos.
En este artículo veremos, en lenguaje simple y con enfoque práctico:
- Qué es el gobierno de datos y qué no es.
- Quién define qué: los roles clave y sus responsabilidades.
- Por qué aparecen reportes contradictorios.
- Cómo diseñar reglas claras para que todos hablen del mismo número.
- Un modelo simple de gobierno de datos para empresas en Chile.
- Recomendaciones prácticas para partir sin “paralizar” el negocio.
1. ¿Qué es el gobierno de datos y por qué importa?
Gobierno de datos es el conjunto de decisiones, reglas, roles y procesos que una organización define para asegurar que sus datos sean:
- Correctos (calidad).
- Consistentes (mismas definiciones en toda la empresa).
- Seguros (acceso controlado y trazable).
- Útiles (orientados a las decisiones de negocio).
No se trata solo de instalar una herramienta o contratar un data warehouse. Es principalmente una forma de organizarse para que los datos se gestionen como un activo estratégico, igual que el dinero o las personas.
1.1. Lo que NO es gobierno de datos
Para aclarar, gobierno de datos no es:
- Solo TI o informática.
- Solo un proyecto de BI o de dashboards.
- Solo un tema de ciberseguridad o cumplimiento normativo.
- Un documento lleno de políticas que nadie lee.
El gobierno de datos cruza negocio + tecnología + procesos. Si solo participa TI, se vuelve un tema técnico desconectado del negocio. Si solo participa negocio, se vuelve un listado de deseos sin viabilidad técnica.
1.2. El costo de no tener gobierno de datos
Cuando no hay gobierno de datos, aparecen problemas muy concretos:
- Reportes contradictorios: cada área calcula los indicadores “a su manera”.
- Pérdida de tiempo: se discute más sobre “de dónde salió el número” que sobre qué decisión tomar.
- Desconfianza en los datos: la gerencia termina tomando decisiones por intuición.
- Riesgos regulatorios: errores en reportes a reguladores, SII, SBIF/CMF, etc.
- Proyectos de analítica que no despegan: se invierte en herramientas, pero no se usan porque nadie confía en los datos.
El gobierno de datos busca atacar estos problemas de raíz.
2. ¿Por qué aparecen reportes contradictorios?
Antes de ver roles y soluciones, conviene entender de dónde vienen las inconsistencias.
2.1. Definiciones distintas para el mismo concepto
Ejemplo clásico: “cliente activo”.
- Para Comercial: cliente que compró en los últimos 12 meses.
- Para Finanzas: cliente con saldo pendiente.
- Para Operaciones: cliente con contrato vigente, aunque no compre hace más de un año.
Cada área arma su reporte con su propia definición. El resultado: tres números distintos, todos “correctos” según su lógica, pero incomparables.
2.2. Fuentes de datos diferentes
Otro problema típico es que cada área se conecta a una fuente distinta:
- Comercial usa el CRM.
- Finanzas usa el ERP.
- Marketing usa una base de datos de campañas.
Si no hay una definición de fuente oficial para cada indicador, es normal que los números no coincidan.
2.3. Cálculos y filtros no estandarizados
Incluso con la misma fuente, pueden variar:
- El período de tiempo (mes calendario vs. mes contable).
- Los filtros (incluir o no ciertas líneas de negocio).
- El tratamiento de casos especiales (devoluciones, notas de crédito, anulaciones).
Sin reglas compartidas, cada analista “interpreta” cómo calcular el indicador.
2.4. Falta de trazabilidad
Cuando no se sabe quién cambió qué ni cuándo, es difícil reconstruir por qué un número cambió de un mes a otro. Esto alimenta la sensación de que “los datos son poco confiables”.
El gobierno de datos aborda estos problemas definiendo quién decide las reglas, cómo se documentan y cómo se controlan.
3. Quién define qué: los roles clave en gobierno de datos
Una de las preguntas más importantes es: ¿quién manda sobre los datos?. La respuesta no es “TI” ni “Finanzas” por sí solos. Se necesita una estructura clara de roles.
3.1. Dueños de datos (Data Owners)
Son los responsables de negocio de un conjunto de datos. Normalmente son gerentes o jefes de área.
- Ejemplos: Gerente Comercial, Gerente de Operaciones, Gerente de Personas.
Responsabilidades típicas:
- Definir las reglas de negocio sobre los datos de su dominio (por ejemplo, qué es un “cliente activo”).
- Priorizar mejoras y correcciones en esos datos.
- Aprobar cambios importantes en definiciones de indicadores.
- Asegurar que su área cumpla las políticas de datos.
En términos simples: el Data Owner toma las decisiones sobre cómo deben entenderse y usarse esos datos.
3.2. Administradores o custodios de datos (Data Stewards)
Son personas más operativas, que conocen en detalle los datos y los procesos.
- Pueden estar en áreas de negocio o en un equipo de analítica/BI.
Responsabilidades típicas:
- Documentar definiciones de datos e indicadores.
- Revisar la calidad de datos (campos vacíos, errores, duplicados).
- Coordinar con TI las correcciones necesarias.
- Ser el “punto de contacto” cuando hay dudas sobre un dato.
Mientras el Data Owner decide, el Data Steward ejecuta y mantiene.
3.3. Equipo de TI / Data / BI
Este equipo provee la infraestructura y las herramientas:
- Bases de datos, data warehouse, data lake.
- Herramientas de BI (Power BI, Tableau, etc.).
- Integraciones entre sistemas.
Responsabilidades típicas:
- Implementar las reglas definidas por negocio en los sistemas.
- Asegurar seguridad, respaldos y rendimiento.
- Velar por la trazabilidad técnica de los datos.
Importante: TI no define qué significa un indicador de negocio; implementa lo que negocio acuerda.
3.4. Comité de gobierno de datos
En organizaciones medianas y grandes es útil tener un comité de gobierno de datos, con representantes de:
- Áreas de negocio clave (Comercial, Finanzas, Operaciones, RRHH, etc.).
- TI / Data / BI.
- Riesgo / Cumplimiento (si aplica).
Funciones del comité:
- Resolver conflictos entre áreas (por ejemplo, dos definiciones distintas de “cliente activo”).
- Priorizar iniciativas de datos a nivel corporativo.
- Aprobar nuevas políticas y estándares.
- Monitorear indicadores de calidad de datos.
Este comité es el “árbitro” que evita que cada área tire los datos hacia su conveniencia.
3.5. Alta dirección (sponsor)
Sin apoyo de gerencia general o directorio, el gobierno de datos se queda en buenas intenciones.
La alta dirección debe:
- Respaldar las definiciones corporativas de indicadores.
- Exigir que los reportes estratégicos usen fuentes y definiciones oficiales.
- Alinear incentivos: que los bonos y metas se basen en los mismos números para todos.
Cuando la gerencia pide “un solo número oficial” para cada indicador clave, el resto de la organización se ordena.
4. Cómo evitar reportes contradictorios: principios prácticos
Con los roles claros, veamos los principios que ayudan a que toda la empresa hable el mismo idioma de datos.
4.1. Un glosario de datos corporativo
El primer paso es crear un glosario de datos: un documento (idealmente en una herramienta colaborativa) donde se definan claramente los conceptos clave.
Por ejemplo:
- Cliente activo: “Cliente con al menos una compra facturada en los últimos 12 meses calendario”.
- Venta neta: “Monto facturado menos descuentos, sin incluir IVA, en pesos chilenos”.
- Ticket promedio: “Venta neta / número de boletas o facturas emitidas en el período”.
Cada definición debe indicar:
- Dueño del dato (Data Owner responsable).
- Fuente oficial (sistema o base de datos).
- Reglas de cálculo (filtros, exclusiones, períodos).
Este glosario debe ser público dentro de la empresa y fácil de consultar.
4.2. Fuente oficial para cada indicador
Para cada indicador relevante, se debe definir una única fuente oficial. Por ejemplo:
- Ventas: data warehouse corporativo alimentado desde el ERP.
- Clientes: CRM corporativo consolidado.
Esto no significa que no se puedan usar otras fuentes para análisis específicos, pero los reportes oficiales (los que llegan a gerencia o a reguladores) deben salir siempre de la fuente definida.
4.3. Reglas de cálculo estandarizadas
Además de la fuente, se deben acordar las reglas de cálculo:
- Período: ¿mes calendario, mes contable, rolling 12 meses?
- Moneda: ¿pesos chilenos, UF, dólares? ¿a qué tipo de cambio?
- Inclusiones/exclusiones: ¿se incluyen notas de crédito? ¿se excluyen ventas internas?
Estas reglas deben estar documentadas en el glosario y reflejadas en los modelos de datos y dashboards.
4.4. Versionado y trazabilidad
Para evitar confusiones del tipo “el mes pasado el indicador se calculaba distinto”, es clave:
- Mantener historial de cambios en las definiciones.
- Registrar quién aprobó cada cambio y desde cuándo aplica.
- Comunicar los cambios a los usuarios de los reportes.
Así, si un número cambia, se puede explicar: “Desde marzo, ‘cliente activo’ se define con 12 meses en vez de 6; por eso la cifra bajó”.
4.5. Políticas mínimas de acceso y seguridad
Aunque el foco de este artículo son los reportes contradictorios, la seguridad de datos es parte del gobierno:
- Definir quién puede ver qué (por ejemplo, datos personales, sueldos, información sensible).
- Registrar accesos y cambios.
- Cumplir con normativas de protección de datos (como la ley chilena 19.628 y sus actualizaciones).
Un buen gobierno de datos equilibra acceso (para tomar decisiones) con seguridad (para proteger a la empresa y a las personas).
5. Un modelo simple de gobierno de datos para empresas en Chile
No todas las organizaciones necesitan un modelo complejo. Veamos una propuesta simple y escalable, pensada para empresas medianas en Chile.
5.1. Paso 1: Identificar los datos e indicadores críticos
Partir por lo que más duele:
- Indicadores usados en directorio o gerencia general.
- Reportes a reguladores o entidades externas.
- Métricas que afectan bonos o metas de áreas.
Ejemplos típicos:
- Ventas totales y por canal.
- Margen bruto.
- Número de clientes activos.
- Rotación de personal.
- Niveles de servicio (SLA, tiempos de respuesta).
Hacer una lista corta (10–20 indicadores) y enfocarse primero en ellos.
5.2. Paso 2: Asignar Data Owners y Data Stewards
Para cada indicador o dominio de datos, definir:
- Data Owner: normalmente un gerente de área.
- Data Steward: alguien que conozca bien los datos y procesos.
Formalizar esta asignación (por ejemplo, en un documento o en un sistema de tickets) para que no quede en el aire.
5.3. Paso 3: Construir el glosario de datos mínimo viable
Con los responsables definidos, construir un glosario mínimo que incluya para cada indicador:
- Nombre del indicador.
- Definición de negocio.
- Fuente oficial.
- Reglas de cálculo.
- Data Owner y Data Steward.
No es necesario tener todo perfecto desde el día uno. Lo importante es que exista un lugar único donde se documente y se pueda ir mejorando.
5.4. Paso 4: Alinear los reportes oficiales
Luego, revisar los reportes que llegan a gerencia y directorio:
- ¿Están usando la misma fuente definida como oficial?
- ¿Están aplicando las mismas reglas de cálculo?
Si no, acordar un plan de transición:
- Definir una fecha a partir de la cual todos los reportes estratégicos usarán las definiciones oficiales.
- Comunicar los cambios y sus impactos (por ejemplo, “desde abril, la cifra de clientes activos se verá distinta por cambio en la definición”).
5.5. Paso 5: Crear un comité de datos “ligero”
No es necesario un comité grande y burocrático. Puede ser un grupo pequeño que se reúna mensualmente:
- 3–5 representantes de negocio.
- 1–2 representantes de TI/Data.
Funciones:
- Resolver conflictos de definiciones.
- Priorizar mejoras de calidad de datos.
- Revisar incidentes (por ejemplo, errores detectados en reportes).
5.6. Paso 6: Medir y mejorar continuamente
Definir algunos indicadores de calidad de datos, por ejemplo:
- Porcentaje de registros con campos críticos completos.
- Número de incidentes de datos reportados al mes.
- Tiempo promedio para corregir un error de datos.
Con estos indicadores, el comité puede monitorear si el gobierno de datos está dando resultados.
6. Cómo se conecta el gobierno de datos con la transformación digital y la analítica
El gobierno de datos no es un fin en sí mismo; es un habilitador de otras iniciativas:
6.1. Analítica avanzada e inteligencia artificial
Modelos de inteligencia artificial y machine learning dependen críticamente de la calidad y consistencia de los datos.
- Si los datos de entrenamiento son inconsistentes, los modelos aprenden patrones erróneos.
- Si las definiciones cambian sin control, es difícil mantener modelos en producción.
Un buen gobierno de datos asegura que los modelos se alimenten de datos confiables y bien documentados.
6.2. Automatización de procesos
La automatización de procesos (por ejemplo, RPA o integraciones entre sistemas) requiere que los datos tengan:
- Estructuras claras.
- Reglas de negocio bien definidas.
- Calidad mínima garantizada.
Si los datos de entrada son caóticos, la automatización solo acelera los errores.
6.3. Cumplimiento y seguridad informática
En un contexto de mayor foco en ciberseguridad y protección de datos personales, el gobierno de datos ayuda a:
- Saber dónde están los datos sensibles.
- Definir quién puede acceder a ellos.
- Implementar controles y auditorías.
Esto es especialmente relevante para empresas que manejan datos de clientes, pacientes, estudiantes o trabajadores en Chile.
7. Errores comunes al implementar gobierno de datos (y cómo evitarlos)
Al implementar gobierno de datos, es fácil caer en algunos errores típicos.
7.1. Hacerlo demasiado complejo desde el inicio
Intentar crear de golpe:
- Un comité grande.
- Decenas de políticas.
- Herramientas sofisticadas.
Esto suele generar resistencia y poca adopción.
Recomendación: partir con un alcance acotado, centrado en los indicadores críticos, e ir ampliando gradualmente.
7.2. Dejarlo solo en manos de TI
Si TI lidera sin participación real de negocio, se corre el riesgo de:
- Definir indicadores desde la mirada técnica, no de negocio.
- Implementar soluciones que nadie usa.
Recomendación: asegurar que los Data Owners sean líderes de negocio y que el comité tenga mayoría de representantes de áreas operativas.
7.3. No involucrar a la alta dirección
Sin patrocinio de la gerencia, las definiciones de datos quedan como “sugerencias” y cada área sigue haciendo lo que quiere.
Recomendación: lograr que la alta dirección exija el uso de definiciones y fuentes oficiales en los reportes estratégicos.
7.4. No comunicar los cambios
Cambiar definiciones sin avisar genera confusión:
- “¿Por qué bajó tanto la cifra de clientes?”
- “¿Por qué ahora el margen se ve distinto?”
Recomendación: cada cambio relevante debe ir acompañado de:
- Explicación del cambio.
- Fecha de vigencia.
- Impacto esperado en los números.
7.5. No medir resultados
Si no se miden mejoras, el gobierno de datos se percibe como burocracia.
Recomendación: definir indicadores de éxito, como:
- Reducción de incidentes de reportes contradictorios.
- Menos tiempo en reuniones discutiendo la validez de los datos.
- Mayor uso de dashboards corporativos.
8. Cómo partir en tu organización: un plan en 90 días
Para cerrar, un esquema simple de cómo podrías avanzar en tres meses.
Primer mes: diagnóstico y foco
- Identificar los indicadores críticos y los principales conflictos de datos.
- Mapear las fuentes actuales de información.
- Detectar a los potenciales Data Owners y Data Stewards.
Resultado esperado: listado priorizado de indicadores y responsables preliminares.
Segundo mes: definiciones y glosario mínimo
- Formalizar los Data Owners y Data Stewards.
- Acordar definiciones de negocio para los indicadores críticos.
- Definir fuentes oficiales y reglas de cálculo.
- Crear el glosario mínimo viable (aunque sea en una herramienta sencilla).
Resultado esperado: glosario publicado y accesible, con definiciones aprobadas.
Tercer mes: alineación de reportes y comité
- Ajustar los reportes estratégicos para que usen las definiciones y fuentes oficiales.
- Crear un comité de datos ligero (reunión mensual).
- Definir indicadores de calidad de datos y de éxito del gobierno de datos.
Resultado esperado: primeros reportes corporativos alineados y una estructura básica de gobierno funcionando.
A partir de ahí, se puede ir ampliando el alcance a más áreas, más indicadores y más procesos, siempre con una lógica incremental.
9. Conclusión: del caos de reportes al lenguaje común de datos
Los reportes contradictorios no son un problema “natural” de las empresas; son la consecuencia de no definir quién decide qué sobre los datos.
Un gobierno de datos bien diseñado:
- Clarifica roles (quién es dueño de qué datos).
- Establece definiciones compartidas y fuentes oficiales.
- Reduce discusiones estériles y mejora la calidad de las decisiones.
- Prepara a la organización para iniciativas de analítica avanzada, automatización y transformación digital.
No se trata de hacer todo perfecto desde el primer día, sino de dar pasos concretos hacia un lenguaje común de datos en toda la organización.
Si tu empresa en Chile ya sufre con reportes que no calzan, este es el momento de ordenar la casa de los datos y convertirlos en una verdadera ventaja competitiva.
En HDTI ayudamos a empresas en Chile a diseñar e implementar modelos de gobierno de datos prácticos, alineados con el negocio y con foco en eliminar reportes contradictorios. Si necesitas definir roles, estandarizar indicadores y construir un glosario de datos que toda la organización respete, conversemos y armemos juntos un plan realista para tus próximos meses.