Una organización puede almacenar petabytes de datos y, al mismo tiempo, no poseer una verdadera estrategia de datos.
El dilema no es tecnológico: ¿conviene centralizar para controlar o distribuir para acelerar? ¿Debe tratarse el dato como un activo que se protege o como infraestructura que debe circular? Una estrategia madura decide qué datos merecen inversión, quién responde por ellos y qué decisiones deben mejorar gracias a esa inversión. Esta ficha no dará una única arquitectura correcta; dará criterios para diseñar la que corresponda a la estrategia del negocio.
Objetivo didáctico
Al terminar esta ficha serás capaz de diseñar los componentes esenciales de una estrategia corporativa de datos que conecte prioridades de negocio, arquitectura, gobernanza, inversión, regulación y liderazgo ejecutivo.
Introducción
Durante años muchas organizaciones trataron la estrategia de datos como una extensión del área de tecnología: primero se adquiría infraestructura, después se integraban fuentes y finalmente se esperaba que el negocio encontrara valor. El problema de esta secuencia es que confunde capacidad técnica con capacidad estratégica. Khatri y Brown propusieron en 2010 que la gobernanza de datos se entendiera a partir de derechos de decisión y responsabilidades; Abraham, Schneider y vom Brocke revisaron posteriormente 145 trabajos y mostraron que gobernar datos implica mecanismos, alcance organizacional, dominios y responsabilidades, no solamente plataformas.
La discusión adquirió más peso con la expansión de la IA. El World Economic Forum situó IA y big data como las habilidades de crecimiento más acelerado en su reporte de 2025. Eso convierte la calidad, disponibilidad y legitimidad del dato en un asunto de dirección: una empresa no puede escalar automatización, personalización o modelos predictivos sobre definiciones incompatibles, historiales incompletos y derechos de uso ambiguos.
En una empresa latinoamericana el reto añade heterogeneidad: sistemas heredados, adquisiciones, hojas de cálculo paralelas, proveedores externos, datos distribuidos entre países y obligaciones de privacidad diferentes. La estrategia no puede aspirar a “limpiar todo”. Debe decidir qué dominios de datos son materialmente relevantes para la estrategia y dónde una mejora genera valor suficiente para justify su costo.
Concepto fundamental
Una estrategia de datos es el conjunto explícito de decisiones sobre qué datos son estratégicos, cómo se obtienen y organizan, quién puede decidir sobre ellos, qué capacidades se financian y qué resultados del negocio deben mejorar como consecuencia.
La prueba ejecutiva es sencilla: si la dirección puede describir con precisión qué cambiará en ventas, riesgo, operaciones, experiencia del cliente o innovación cuando mejore un dominio de datos, existe una hipótesis estratégica. Si solo puede enumerar tecnologías, existe un programa tecnológico.
Desarrollo del tema
Datos como activo estratégico: valoración y gobernanza
Hablar del dato como “activo” no significa necesariamente que pueda reconocerse como activo contable. Significa que posee valor económico potencial, requiere inversión, puede degradarse y crea riesgos si se administra mal. A diferencia de una máquina, el mismo dato puede reutilizarse en muchos procesos sin consumirse; sin embargo, su valor cae rápidamente cuando pierde contexto, trazabilidad o calidad. Por eso la pregunta ejecutiva no es “¿cuántos terabytes tenemos?”, sino “¿qué decisiones, ingresos, eficiencias o riesgos dependen de este dominio?”.
Una práctica útil es valorar cada dominio mediante cuatro lentes: impacto, reutilización, criticidad y riesgo. En una cadena mexicana de distribución, por ejemplo, “cliente”, “inventario” y “proveedor” pueden tener valores muy distintos. Inventario quizá afecte disponibilidad, capital de trabajo y promociones simultáneamente; por ello merece estándares más estrictos que un dataset de baja reutilización.
económico
organizacional
criticidad
El valor estratégico aparece cuando un dominio influye simultáneamente en resultados, reutilización y exposición al riesgo.
Arquitectura de datos alineada a la estrategia
La arquitectura es una consecuencia de las decisiones estratégicas, no un catálogo de productos. Un negocio que compite por personalización en tiempo real necesitará latencia, identidades y disponibilidad diferentes de una empresa industrial cuyo valor proviene de trazabilidad de activos durante 20 años. Centralizar todos los datos puede aumentar consistencia, pero también crear cuellos de botella; descentralizar por dominios puede acelerar a las áreas, pero aumenta el riesgo de duplicar definiciones.
Desde la década de 2010 se popularizaron data lakes; después aparecieron enfoques como lakehouse, data fabric y data mesh. Ninguno resuelve por sí mismo la pregunta organizacional: quién es propietario del significado, quién opera el producto de datos y quién arbitra conflictos. Para un comité ejecutivo conviene evaluar una arquitectura en cuatro términos no técnicos: tiempo para obtener una respuesta confiable, costo total, capacidad de reutilización y exposición operacional/regulatoria.
Data-driven culture: qué significa y cómo construirla
Una cultura orientada por datos no significa que todo argumento deba reducirse a una métrica. Significa que las afirmaciones relevantes pueden ser examinadas, que existe una base común de evidencia y que las decisiones dejan rastros que permiten aprender. En 2016, Gupta y George mostraron empíricamente que la capacidad analítica combina recursos tangibles, habilidades humanas y recursos intangibles; comprar tecnología sin transformar competencias y rutinas no reproduce esa capacidad.
El cambio cultural comienza arriba. Si un comité exige precisión al equipo analítico pero modifica metas cuando los resultados incomodan, la organización aprende que los datos son decorativos. En cambio, una práctica madura documenta hipótesis antes de ver el resultado, diferencia indicador de objetivo y revisa decisiones después de conocer sus consecuencias. En una institución financiera, por ejemplo, una reunión comercial puede empezar por tres preguntas: qué cambió, qué evidencia lo sostiene y qué decisión debe tomarse.
El dato que cambia todo: la revisión de Abraham, Schneider y vom Brocke sobre gobernanza de datos integró 145 trabajos y mostró que el problema no se reduce a tecnología: incluye mecanismos de decisión, alcance, responsabilidades y contexto organizacional.
Inversión en datos: criterios y priorización
Los programas corporativos de datos suelen fracasar cuando compiten por presupuesto como infraestructura genérica. La dirección necesita una cartera de inversiones con hipótesis económicas. Cada iniciativa debería identificar la decisión que mejorará, el valor potencial, dependencias, riesgos y tiempo de aprendizaje. Esto permite comparar, por ejemplo, un catálogo corporativo de datos, una nueva plataforma de clientes y un modelo de demanda aunque tengan naturalezas distintas.
Una matriz de valor esperado × factibilidad es más útil que una lista de deseos. Un proyecto de baja complejidad y alto impacto puede financiarse para demostrar valor temprano; un programa de alto impacto pero baja factibilidad quizá necesite primero resolver identidad, calidad o permisos. El error es priorizar por presión del área más influyente o por novedad tecnológica. Una inversión estratégica debe incluir costos de operación, adopción, gobierno y retiro, no únicamente el precio inicial del proveedor.
Figura: portafolio ejecutivo de inversión en datos.
Privacidad, ética y regulación a nivel corporativo
En México se expidió una nueva Ley Federal de Protección de Datos Personales en Posesión de los Particulares el 20 de marzo de 2025. Para una organización, privacidad no puede limitarse al aviso de privacidad: debe traducirse en inventarios, finalidades, controles de acceso, retención, gestión de encargados, derechos de titulares y evaluación de nuevos usos. La expansión de IA aumenta además el riesgo de utilizar información para una finalidad que el negocio considera conveniente pero que no estaba prevista en su obtención.
El criterio estratégico es diseñar uso legítimo por defecto. Antes de integrar un nuevo dataset deben responderse al menos cuatro preguntas: ¿tenemos base jurídica y propósito definido?, ¿el dato es necesario?, ¿quién puede utilizarlo?, ¿qué pasaría si el uso se hiciera público? Una empresa que opera en varios países debe mapear también transferencias y diferencias regulatorias. La ética entra donde la ley deja espacio: un uso puede ser jurídicamente defendible y, aun así, dañar confianza o producir discriminación.
El CDO: rol, funciones y relación con la dirección
El Chief Data Officer no debería ser “el dueño de todos los datos”. Su función estratégica es diseñar el sistema mediante el cual la organización asigna responsabilidades, construye capacidades y convierte datos en resultados. El cargo ganó visibilidad durante la década de 2010 precisamente porque las empresas descubrieron que CIO, negocio, riesgo y analítica podían perseguir objetivos legítimos pero incompatibles sin una instancia integradora.
El CDO efectivo opera en tres horizontes: control —calidad, gobierno y regulación—; valor —productos de datos, analítica e IA—; y transformación —arquitectura, talento y cultura—. Su relación con dirección debe expresarse en decisiones, no en reportes de actividad. Un comité no necesita saber cuántos datasets fueron catalogados; necesita saber si disminuyó el tiempo para lanzar productos, si mejoró la precisión del riesgo o si existe una dependencia crítica sin resolver.
Conclusión
Una estrategia de datos madura no intenta maximizar la cantidad de datos ni centralizar todas las decisiones. Construye un sistema en el que ciertos datos reciben tratamiento diferencial porque influyen en decisiones materialmente importantes. Arquitectura, gobernanza, cultura, inversión y liderazgo son piezas del mismo diseño. La ventaja no proviene de “tener datos”, sino de reducir sistemáticamente la distancia entre evidencia confiable y decisión responsable.
🔭 Para seguir aprendiendo
- ¿Qué dominios deberían administrarse como productos de datos y cuáles como infraestructura compartida?
- ¿Cuándo conviene descentralizar derechos de decisión aunque aumente la heterogeneidad?
- ¿Cómo cambiará la valoración de los datos cuando los agentes de IA puedan consumirlos de forma autónoma?
Actividad de aprendizaje autónoma
Producto: mapa ejecutivo de estrategia de datos para un dominio crítico de su organización.
- Elija un dominio real: cliente, producto, proveedor, talento, activos, riesgo u otro.
- Identifique tres decisiones estratégicas que dependen de ese dominio.
- Defina responsable ejecutivo, data owner y principales usuarios.
- Califique valor potencial, calidad actual, riesgo y factibilidad en escala de 1 a 5.
- Proponga una inversión prioritaria para los próximos 90 días y una métrica de resultado.
Complete la frase estratégica
“Invertiremos primero en porque mejora la decisión de , cuyo resultado mediremos mediante .”
Criterio de logro: el entregable es sólido si conecta un dominio de datos con decisiones concretas, responsables identificables, una inversión delimitada y una métrica empresarial; no basta con proponer tecnología.
Referencias
Abraham, R., Schneider, J., & vom Brocke, J. (2019). Data governance: A conceptual framework, structured review, and research agenda. International Journal of Information Management, 49, 424–438. doi:10.1016/j.ijinfomgt.2019.07.008.
Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049–1064. doi:10.1016/j.im.2016.07.004.
Khatri, V., & Brown, C. V. (2010). Designing data governance. Communications of the ACM, 53(1), 148–152. doi:10.1145/1629175.1629210.
World Economic Forum. (2025). The Future of Jobs Report 2025.