Los datos son el nuevo oro (pero nadie sabe cómo minarlos)

"Dato sin análisis es solo ruido organizado." As frases "los datos son el nuevo petróleo" y "los datos son el nuevo oro" se convirtieron en clichés obligatorios en cualquier evento corporativo. Todo el mundo lo repite en las diapositivas, pocos entienden lo que exige en la ingeniería y menos gente todavía hace algo práctico al respecto el lunes. En la trinchera de las empresas, veo una paradoja constante: organizaciones que pagan facturas altísimas para mantener lagos de datos (data lakes) gigantescos, herramientas modernas de visualización y equipos respetables de ingeniería de datos, pero donde las decisiones más críticas del mes siguen tomándose por la corazonada (feeling) de la dirección porque nadie confía en los números de la pantalla. ## El problema no es recolectar: la Pirámide de Ackoff y el costo del dato malo Recolectar y guardar datos se volvió barato y técnicamente sencillo. Integrar APIs, disparar eventos de telemetría y arrojar terabytes de archivos en almacenamiento en la nube toma pocos días. Hoy, la mayoría de las empresas tiene datos de sobra. El cuello de botella real está en cuatro problemas crónicos: - Datos de calidad dudosa en el origen; - Datos esparcidos en silos que no se comunican entre sí; - Datos sin dueño y sin gobernanza clara de conceptos; - Datos que nadie en la operación sabe traducir en decisión. En la teoría de sistemas, esta distinción fue eternizada en 1989 por el profesor Russell Ackoff en el artículo From Data to Wisdom, que dio origen a la clásica Pirámide DIKW (Data, Information, Knowledge, Wisdom): 1. Datos (Data): símbolos y registros brutos sin significado propio (ej: una tabla con millones de líneas de registro); 2. Información (Information): datos procesados y contextualizados que responden "quién, qué, cuándo y dónde"; 3. Conocimiento (Knowledge): aplicación de la información para entender el "cómo" y ver patrones de causa y efecto; 4. Sabiduría / Decisión (Wisdom): juicio práctico que usa el conocimiento para actuar y cambiar el futuro del negocio. Cuando una empresa apenas acumula registros en el primer nivel de la pirámide sin subir a la información confiable y a la decisión, no tiene una mina de oro: tiene apenas un depósito caro de pasivo digital. Más grave todavía es el efecto del principio clásico de la computación conocido como GIGO (Garbage In, Garbage Out): si entra basura en el origen, sale basura en el informe y en la respuesta de la inteligencia artificial. En un estudio publicado en la Harvard Business Review (2016), el especialista Thomas C. Redman demostró que los datos de baja calidad cuestan cerca de US$ 3 billones por año solo a la economía de Estados Unidos, porque obligan a analistas y gestores a gastar hasta la mitad del tiempo revisando hojas de cálculo, corrigiendo registros duplicados y conciliando informes conflictivos entre departamentos. ## Una forma práctica de mirar la madurez de los datos (los 6 niveles) Para diagnosticar dónde una operación está trabada, uso estos seis escalones como guion práctico de conversación (no como ranquin burocrático de mercado, sino como brújula de ingeniería): Nivel 1: Los datos existen Alguien recolectó el registro en algún sistema transaccional o hoja de cálculo, y está guardado en algún lugar. Nivel 2: Los datos son accesibles Quien necesita investigar un problema logra localizar y consultar la base sin depender de tres semanas de fila técnica. Nivel 3: Los datos son confiables La calidad en el origen es monitoreada, los conceptos de negocio son estandarizados (el área comercial y la financiera coinciden sobre lo que significa un "cliente activo") y el linaje del dato es rastreable. Nivel 4: Los datos generan conocimiento Los análisis frecuentes salen del papel y los paneles iluminan cuellos de botella reales de margen, retención o eficiencia operacional. Nivel 5: Los datos ayudan en las decisiones Siguiendo la tradición estadística de W. Edwards Deming (Out of the Crisis, 1986), las evidencias entran de verdad a la mesa de decisión todas las semanas, combinadas con el contexto y el juicio de quien conoce la operación. Nivel 6: Los datos apoyan productos y servicios en tiempo real APIs internas, automatizaciones, modelos predictivos y recursos del propio producto pasan a operar sobre datos limpios y auditables. En mi experiencia práctica, el salto más difícil y más valioso está entre el Nivel 2 y el Nivel 3: salir de datos simplemente almacenados a datos en los cuales la lideranza realmente confía a la hora de asignar dinero. ## Lo que vale la pena acompañar en los próximos años Para quien está estructurando la estrategia de datos de la empresa hoy, tres frentes merecen atención pragmática: 1. Inteligencia Artificial como copiloto del analista (y no sustituto del sentido crítico) Los modelos de lenguaje aceleran demasiado la redacción de consultas SQL, la documentación de catálogos y la exploración inicial de bases. Sin embargo, si la base está sucia en el Nivel 1, la IA solo va a alucinar respuestas bonitas sobre números rotos. El analista humano sigue siendo indispensable para validar el resultado, conocer la regla del negocio y percibir cuando la propia pregunta está equivocada. 2. Responsabilidades claras por los datos (más allá de las modas) Arquitecturas descentralizadas como Data Mesh son una excelente opción para grandes organizaciones con múltiples dominios independientes, pero no son una estructura obligatoria para toda empresa. Lo que nunca es opcional es la gobernanza básica: saber nominalmente quién responde por la calidad de cada dato en el origen y cuáles son las reglas de uso. 3. Verificaciones automáticas de calidad (Data Observability) Pruebas automatizadas de integridad en las tuberías, rastreo de linaje (data lineage) y alertas de anomalía ayudan a descubrir que una tabla se rompió a las 7 de la mañana, antes de que el director abra el panel equivocado a las 9. Pero recuerde: ninguna herramienta sustituye definir qué medir y quién actúa cuando suena la alerta. ## Mi consejo práctico Antes de firmar el cheque de la próxima plataforma de datos de moda, invierta en la cultura de datos y en la higiene del origen. Estandarice las cinco métricas vitales de la empresa. Enseñe a las lideranzas a hacer mejores preguntas. Cree el ritual semanal de mirar hacia la misma fuente de la verdad y cobrar planes de acción basados en evidencia. La herramienta más cara del mundo es inútil cuando nadie confía en el número o sabe qué preguntar. Los datos pueden hasta ser el nuevo oro, pero minar exige método, limpieza y ingeniería, no solo comprar un pico más brillante. > Continúe profundizando: lea también Guía Completa de Datos y BI para Empresas y 2041: el año en que la población brasileña comienza a encogerse. Vea también cómo estructuramos Ingeniería de Datos y BI y nuestros Estudios de Caso. --- ### Referencias y lecturas verificables - Redman, T. C. (2016). Bad Data Costs the U.S. $3 Trillion Per Year. Harvard Business Review. - Ackoff, R. L. (1989). From Data to Wisdom. Journal of Applied Systems Analysis, 16, 3-9. - Deming, W. E. (1986). Out of the Crisis. MIT Press.