Antes de invertir en datos, ordená el desafío en función de su impacto

Los problemas de cómo gestionar datos en grandes empresas son un conjunto recurrente de fallas que comprometen la capacidad del comité ejecutivo para decidir sobre evidencia. Son ocho y casi siempre conviven: baja calidad del dato, silos, gobierno difuso, maestros duplicados, definiciones inconsistentes, brechas de seguridad y cumplimiento, datos sin explotar y reportes manuales. El retorno de la inversión depende de identificar cuál está costando más hoy. Y ahí aparece un error a veces silencioso: es habitual ordenar esa lista por intuición, no por medición del impacto.

Conviene empezar por una distinción de fondo. Las grandes organizaciones rara vez sufren por falta de datos; sufren por falta de datos confiables y analizables. En el marco fundacional de Wang y Strong:

La calidad no se mide por el volumen sino por la “adecuación al uso” (fitness for use): un dato vale si permite decidir.

Esa adaptación hoy es escasa. En un relevamiento de 2025 de Precisely y la Universidad Drexel a más de 550 profesionales de datos, el 67% admitió no confiar del todo en sus datos para decidir. El problema, entonces, es de confianza, como ya lo habían sintetizado Scarisbrick-Hauser y Rouse: “organizations do not lack for data – they lack high quality, analyzable data”.

Los ocho problemas de gestión de datos que comprometen la confianza

En las grandes organizaciones los problemas de datos rara vez vienen solos: conviven ocho y casi siempre se refuerzan entre sí.

Problema	Cómo se manifiesta en el negocio
Baja calidad del dato	Decisiones sobre cifras incompletas, desactualizadas o erróneas.
Silos y falta de integración	Áreas que no comparten datos; visiones parciales del cliente o la operación.
Propiedad y gobierno difusos	Nadie es claramente responsable del dato; las mejoras no se sostienen.
Maestros duplicados e inconsistentes	El mismo cliente o producto aparece distinto en cada sistema.
Falta de definiciones y metadatos estándar	“Venta” o “cliente activo” significan cosas distintas según el área.
Seguridad, privacidad y cumplimiento	Exposición regulatoria y de reputación; reportes que cuesta sostener.
Datos sin explotar (dark data)	Información que se captura y se guarda, pero nunca se usa.
Reportes manuales (DataOps)	Reportes que dependen de procesos manuales, sin reproducibilidad.

La tabla funciona como mapa. Cada problema se aborda en profundidad en un artículo dedicado, que permite entender en detalle sus implicaciones. Para decidir dónde invertir primero, sin embargo, el detalle de cada uno importa menos que su conjunto: lo decisivo es ver que son reales y entrelazados. La evidencia disponible alcanza para mostrar ese patrón, sin agotar cada uno.

---

---

Varios de estos problemas están documentados desde hace más de una década, y la baja calidad del dato es el caso más claro. Ya entonces, estudios de campo en grandes empresas la señalaban —junto con las definiciones poco claras— como un desafío central. La foto de hoy es consistente: ese mismo relevamiento de Precisely y Drexel situó a la calidad como el principal desafío de integridad reportado.

Los demás problemas pesan por razones distintas. Los silos —producto de años de desarrollo aislado— acumulan inconsistencias en definiciones, formatos y valores. Esas inconsistencias vuelven casi imposible usar los datos clave. El gobierno difuso —propiedad del dato mal definida, prácticas incoherentes— es otro desafío de proceso señalado en esos mismos estudios de campo. Por último, el cumplimiento: el aumento de exigencias regulatorias y legales fue uno de los motores que volvió prioritaria la calidad del dato maestro.

Sobre todo, estos ocho no son independientes: se encadenan. Una propiedad del dato difusa y años de desarrollo en silos terminan produciendo maestros duplicados y definiciones inconsistentes. Ese dato fragmentado y sin dueño es el que, al final del proceso, se percibe como de “baja calidad del dato”. Más que una lista de ítems sueltos, son una red de causas y efectos:

el problema más visible suele ser la consecuencia de otro, no su origen.

Hay, además, una razón por la que resolver estos problemas urge ahora más que nunca. Estos problemas largamente conocidos son hoy el principal obstáculo para adoptar sistemas de inteligencia artificial en las empresas. Gartner prevé que, hasta 2026, las organizaciones abandonarán el 60% de los proyectos de IA que no se apoyen en datos listos para IA. Lo que durante años se pudo postergar es ahora lo que decide si la inversión en IA generará un retorno real.

Por qué el problema rara vez es el que parece

Que los problemas estén entrelazados tiene una consecuencia práctica: el que más se ve rara vez es el que conviene atacar primero. El síntoma más visible —reportes que no cierran, un tablero en el que nadie confía— suele ser el efecto de una causa que está en un paso anterior del proceso. Atacar el síntoma deja la causa intacta y el problema vuelve. Por eso ordenar la lista por la impresión que deja en una reunión es una apuesta, no una decisión. Hay que ver cómo se conectan los problemas antes de decidir cuál pesa más.

No existe un orden universal: la prioridad depende del contexto

Cuál de los ocho problemas de gestión importa más no tiene una respuesta única: depende de para qué usa los datos tu organización. Si la calidad de un dato es su adecuación al uso, lo que para una empresa es el problema más costoso, para otra es secundario. Una compañía de consumo masivo que pierde ventas por quiebres de góndola necesita, antes que nada, datos de inventario confiables. Una farmacéutica que responde ante la autoridad sanitaria prioriza la trazabilidad y el gobierno del dato. Mismos problemas, distinto orden.

Esto no es una cuestión de opinión. Una comparación de los marcos de calidad de datos más usados encuentra un núcleo común: que el dato esté completo, actualizado, sea exacto, consistente y accesible. Pero los marcos no coinciden en cuál de esos criterios pesa más, y no hay un ranking válido para todos. Y cuando la priorización se hace con métodos formales de decisión, el peso de cada criterio cambia según el uso que se le dará al dato. La prioridad se deriva del contexto, no de una tabla universal.

La implicancia para un comité es directa: copiar la prioridad de otra empresa —o del último caso que se leyó— rara vez sirve. El orden correcto es el de su negocio, y ese orden hay que establecerlo, no suponerlo.

La decisión no es arreglar los datos, ni siquiera es el dinero sino cómo asignar prioridades

Para un directorio, priorizar problemas de datos es, en el fondo, asignar dinero entre iniciativas que compiten por el mismo presupuesto. Visto así, “vamos a mejorar la calidad de datos” no es una decisión: es una categoría de gasto sin un caso de negocio detrás. La decisión real es cuál de los ocho problemas, atacado primero, libera más valor o evita más pérdida.

El costo de no ordenar esa lista es alto, aunque rara vez aparezca en una sola línea del presupuesto. Se paga en decisiones tomadas sobre el problema equivocado. Y hay un punto de fondo que lo agrava: todavía falta evidencia empírica de gran escala que ligue mejoras de calidad por dimensión con resultados de negocio medibles. Esa ausencia es lo que vuelve tan tentador —y tan riesgoso— decidir por intuición.

Por dónde empezar: de la sospecha a la evidencia

El punto de partida no es un proyecto de datos, sino un diagnóstico de datos. Un diagnóstico de datos es una evaluación estructurada que convierte la sospecha sobre cuál problema duele más en una jerarquía defendible por impacto. Mapea los problemas de la organización, sus interrelaciones y su efecto sobre las decisiones, para ordenar la inversión por retorno y no por urgencia percibida.

Conviene encarar ese diagnóstico como un ejercicio dedicado, con un equipo experimentado en este tipo de mediciones, por dos razones. Primero, porque medir esto no es lo habitual: según relevamientos de Gartner,

el 59% de las organizaciones no mide la calidad de sus datos. Sin esa medición, el insumo para priorizar casi nunca está sobre la mesa.

Segundo, porque quien convive con el problema todos los días es quien menos puede verlo con distancia. No es un rodeo comercial: es el paso que transforma una sospecha en la base sobre la que un directorio puede asignar dinero con criterio.

Si tu organización ya reconoce varios de estos ocho síntomas, está más cerca de lo que cree. El trabajo que sigue no es elegir una herramienta, sino ordenar el problema por impacto antes de invertir.

El nuevo límite no es tener datos, sino saber qué falla distorsiona las decisiones

Durante una década la pregunta de los Directorios (Juntas Directivas) fue si tenían suficientes datos. Hoy casi todos los tienen. La pregunta relevante es otra:

¿pueden nombrar, en una sola frase, cuál de sus fallas de datos distorsiona más sus decisiones?

Pocas pueden. Y esa incapacidad —no la falta de tecnología— es lo que mantiene el dinero invertido en los problemas equivocados.

Por eso jerarquizar los problemas por impacto no es un ejercicio técnico que se delega a un área. Es una decisión de la que el comité ejecutivo no puede desentenderse. La organización que sabe cuál de sus fallas de datos pesa más sobre sus decisiones invierte donde el impacto es mayor, no donde el síntoma es más visible. Y a medida que la IA amplifica cada decisión apoyada en datos, esa distinción deja de ser una cuestión de eficiencia para volverse una de ventaja competitiva.

Preguntas frecuentes