Los riesgos de los datos se convierten en riesgos empresariales cuando cifras inconsistentes llegan a los responsables de la toma de decisiones, cuando datos sensibles se filtran a usuarios no autorizados o cuando los cambios en las métricas no se trasladan a todos los informes y herramientas. El artículo plantea la capa semántica como un medio práctico para limitar estos riesgos, al situar las definiciones de las métricas, las reglas de negocio y los permisos en un punto central al que puedan recurrir distintas herramientas.
El planteamiento no aborda los riesgos en su sentido abstracto, relacionado con los marcos de cumplimiento, sino que se centra en las pérdidas operativas cotidianas que quizá no aparezcan de inmediato. Una auditoría regulatoria podría revelar una diferencia en una métrica entre sistemas; un miembro del consejo de administración podría observar dos cifras contradictorias de ingresos en dos informes consecutivos; o una herramienta de inteligencia artificial podría generar una recomendación basándose en datos que no han sido gobernados desde que se marchó el analista que los creó.
Tres áreas principales de riesgo
Según el artículo, los riesgos de los datos suelen concentrarse en tres áreas interrelacionadas, y las organizaciones pueden verse expuestas a ellas al mismo tiempo.
- Exactitud: A medida que las organizaciones amplían el uso de herramientas, paneles y aplicaciones basadas en inteligencia artificial, también se amplía el margen de error. Una métrica de ingresos podría definirse de una manera en un libro de trabajo de Tableau, de otra en un modelo de Power BI y de una tercera en un cuaderno de Python. Esta diferencia no representa únicamente una molestia técnica, sino que puede provocar decisiones estratégicas equivocadas, una mala asignación de recursos, el incumplimiento de objetivos y una disminución de la confianza en el equipo de datos.
- Gobernanza y acceso: Los controles de acceso suelen distribuirse entre el almacén de datos, las plataformas de inteligencia empresarial, los paneles, los motores de almacenamiento en la nube y las unidades compartidas. Cada sistema tiene un modelo de permisos, una interfaz de administración y unas capacidades de auditoría diferentes, lo que produce un entorno fragmentado difícil de mantener o revisar con confianza. Los datos sensibles podrían llegar a un panel en el que no deberían aparecer, no necesariamente debido a un comportamiento malicioso, sino porque el ámbito de la gobernanza se ha vuelto demasiado amplio para gestionarlo de manera coherente.
- Gestión del cambio: El director financiero podría decidir, por ejemplo, excluir a los clientes de prueba de la métrica de ingresos recurrentes anuales a partir del próximo trimestre. Sin embargo, aplicar el cambio podría requerir modificar una vista en el almacén de datos, dos libros de trabajo en Tableau, un modelo de Power BI y un informe de Excel gestionado por el equipo de planificación y análisis financiero, además de una herramienta de análisis que depende directamente del lago de datos. Si algunos de estos elementos no se actualizan, las cifras volverán a divergir después de un tiempo.
Estos riesgos se agravan cuando la métrica no está gobernada, se define de distintas maneras y no puede actualizarse desde un único lugar. Por tanto, el problema no reside necesariamente en que el cambio en sí sea incorrecto, sino en la posibilidad de que no se aplique por completo en todas las partes del entorno.
Limitaciones del modelo tradicional
Las organizaciones suelen depender de un equipo central de analistas de inteligencia empresarial que actúa como puerta de acceso a las métricas, los informes y los paneles. El usuario solicita un nuevo informe, un cambio en una métrica o una explicación de la diferencia entre dos cifras, y después espera a que se tramite la solicitud. Este modelo surgió en parte porque las organizaciones no confían lo suficiente en sus datos como para permitir el autoservicio, pero tiene costes claros: lentitud, cuellos de botella en las solicitudes, coste de contratación y variaciones en la calidad de los resultados según el analista y las herramientas que utilice.
El problema aumenta cuando los controles de acceso, los informes de calidad, el seguimiento del origen de los datos y la identificación de los propietarios del negocio se distribuyen entre múltiples herramientas y sistemas. Cada panel, fuente de datos o plataforma adicional añade una nueva superficie de gobernanza, otro lugar en el que las reglas pueden diferir y un posible punto de fallo. Como resultado, los equipos de datos podrían dedicar más tiempo al mantenimiento y la corrección que a proporcionar datos y conocimientos.
Una única capa para la definición y la gobernanza
El artículo propone un modelo diferente: situar las definiciones de las métricas, la lógica empresarial y los cálculos en un único lugar dentro de la capa semántica. Si la métrica de ingresos recurrentes anuales se define una sola vez, Tableau, Power BI, Excel, Python y la herramienta conversacional basada en inteligencia artificial pueden utilizarla. Al modificar la definición, por ejemplo, para excluir a los clientes de prueba, el cambio se transmite a las herramientas posteriores en lugar de tener que buscar manualmente cada versión lógica de la métrica.
El artículo también relaciona la capa semántica con la gestión de versiones, lo que permite hacer un seguimiento de las versiones de las métricas principales y saber cómo se calculaba una métrica en un momento anterior. Paralelamente, la capa semántica puede convertirse en el punto central de acceso a los datos gobernados, de modo que los equipos utilicen sus herramientas preferidas mientras los permisos, las definiciones y las reglas de negocio se gestionan desde un único lugar. De este modo, el alcance de la gobernanza se reduce de decenas de sistemas a un punto más concentrado.
El beneficio propuesto no se limita a la coherencia. La capa semántica puede contener descripciones de campos, definiciones de métricas, mapas de relaciones y reglas de negocio, junto con los modelos, las columnas y las propias métricas. Cuando el contexto de los datos queda documentado allí donde se encuentran los datos, ya no depende por completo de la memoria de los analistas ni de documentos dispersos que quizá no se actualicen. Esto favorece el autoservicio y también permite que los agentes de inteligencia artificial lean el contexto para comprender los datos a mayor escala.
Reducir los riesgos, no eliminarlos
El artículo afirma que la capa semántica no es una solución completa. Los datos subyacentes deben estar limpios, organizados y mantenidos, y sigue vigente la regla de «entradas deficientes, resultados deficientes». Asimismo, unificar las definiciones de las métricas requiere consenso organizativo y compromiso por parte de la dirección, algo que el software no puede sustituir.
Sin embargo, según este planteamiento, la capa semántica cambia la economía de la gestión de riesgos. En lugar de añadir más empleados y herramientas de gobernanza para mantenerse al día con cada fuente, panel y plataforma, reduce el número de lugares en los que la lógica puede desviarse, el cambio puede perderse o la auditoría puede resultar difícil. La gestión de riesgos se vuelve más contenible porque se concentra en un único lugar en vez de extenderse por toda la pila de datos.
Esto adquiere mayor importancia para las organizaciones que dependen de análisis respaldados por inteligencia artificial, ya que estas herramientas necesitan datos gobernados y acompañados de contexto para producir resultados fiables. Desde la perspectiva del artículo, la capa semántica no representa únicamente una mejora arquitectónica de la coherencia, sino también parte de la infraestructura necesaria para gestionar los riesgos de los datos en un entorno en el que aumenta la velocidad a la que crece el coste de las decisiones basadas en información poco fiable.