Blog

La gobernanza de datos geoespaciales se instaló como tema central en la São Paulo Climate Week, en un debate organizado por la Fundação Getulio Vargas (FGV). El evento puso de relieve una brecha estructural que pocas organizaciones de la región abordan formalmente: los datos de localización, cobertura terrestre y movilidad climática carecen, en la mayoría de los casos, de ownership definido, linaje documentado y políticas de calidad aplicables a su ciclo de vida completo.

El encuentro reunió a referentes del sector público, academia y organizaciones de la sociedad civil para discutir cómo los datos geoespaciales —imágenes satelitales, registros de sensores remotos, capas de información territorial— se producen en volúmenes crecientes pero se gestionan con marcos de gobernanza rudimentarios o directamente inexistentes. La paradoja es conocida en la industria: cuanto más sofisticada la fuente del dato, más informal suele ser su administración interna.

El problema de fondo: datos sin dueño

En el lenguaje del DAMA-DMBOK, los datos geoespaciales representan un dominio de alta complejidad técnica con bajo nivel de madurez en stewardship —es decir, en la figura del data steward responsable de definir estándares, validar calidad y gestionar el acceso. A diferencia de los datos transaccionales o de clientes, los datasets geoespaciales suelen ser producidos por equipos de ingeniería o ciencia de datos sin una cadena clara de accountability hacia el negocio o la política pública. El resultado es que el dato existe, pero nadie puede responder con certeza de dónde viene, qué transformaciones sufrió ni si es apto para tomar decisiones de política climática.

El modelo de madurez DCAM (Data Management Capability Assessment Model) del EDM Council ubica la gestión de datos geoespaciales en las capabilities asociadas a data quality y data lineage. En organizaciones que trabajan con este tipo de activos —agencias ambientales, ministerios de infraestructura, fondos de inversión con criterios ESG— la ausencia de linaje documentado es un riesgo operativo y reputacional concreto, no un problema abstracto de arquitectura.

El contexto regulatorio presiona desde varios frentes

Brasil no es el único país de la región donde este debate se vuelve urgente. La Lei Geral de Proteção de Dados (LGPD) ya planteó, desde 2020, que los datos de geolocalización pueden constituir datos personales cuando permiten identificar o inferir el comportamiento de individuos. Eso significa que un dataset de movilidad poblacional usado para modelado climático puede, simultáneamente, estar sujeto a controles de gobernanza corporativa y a obligaciones de privacidad ante la Autoridade Nacional de Proteção de Dados (ANPD). La intersección entre ambos marcos es territorio que pocas organizaciones brasileñas tienen mapeado formalmente.

En Argentina, la Ley 25.326 de Protección de Datos Personales y su autoridad de aplicación, la AAIP, también contemplan la geolocalización como dato sensible cuando se combina con perfiles de comportamiento. Mientras tanto, el Instituto Nacional de Estadística e Informática (INEI) de Perú y el DANE de Colombia gestionan enormes volúmenes de datos geoespaciales censales con marcos de gobernanza que, según referentes del sector, todavía operan por debajo de los estándares que exigiría una auditoría bajo ISO/IEC 38505 —el estándar internacional de gobernanza de datos para órganos directivos.

Qué puede hacer un CDO el lunes

Para un Chief Data Officer o Data Governance Manager cuya organización usa datos geoespaciales —aunque sea de forma periférica—, el debate de São Paulo ofrece una señal de acción concreta. El primer paso es inventariar qué datasets geoespaciales existen en la organización, quién los produjo, con qué frecuencia se actualizan y si tienen un data steward formalmente asignado. En la mayoría de los casos, ese inventario no existe o está desactualizado. Herramientas de data catalog con soporte para metadatos geoespaciales —como OpenMetadata o Collibra con conectores GIS— permiten iniciar ese relevamiento sin necesidad de un proyecto de transformación de largo plazo.

El segundo movimiento es evaluar si alguno de esos datasets cruza el umbral de dato personal bajo la regulación local aplicable. Si la organización opera en Brasil, la respuesta en muchos casos será afirmativa, lo que implica coordinar con el DPO (Data Protection Officer) para definir la base legal del tratamiento y documentar la evaluación de impacto correspondiente. No hacerlo es dejar un flanco abierto ante la ANPD en un contexto en que el regulador brasileño ha escalado su actividad de supervisión en los últimos doce meses.

Una ventana que no estará abierta siempre

El hecho de que la FGV lleve este debate a un evento de agenda climática internacional no es accidental. Los compromisos de descarbonización, reporte ESG y transparencia territorial que asumen gobiernos y empresas de la región dependen, en última instancia, de la calidad y trazabilidad de los datos geoespaciales que los sustentan. Si esos datos no tienen gobernanza, los compromisos tampoco la tienen.

La gobernanza de datos geoespaciales dejó de ser un nicho técnico: es la infraestructura invisible de la agenda climática en América Latina, y su ausencia tiene costos medibles.

Sin datos de calidad, un programa de data governance es una estructura vacía. La relación entre ambos conceptos no es complementaria sino constitutiva: la calidad del dato es la condición de posibilidad de cualquier decisión que el gobierno de datos pretenda respaldar. Para los equipos que lideran iniciativas de gobernanza en América Latina, entender esa relación en términos operativos marca la diferencia entre un framework decorativo y uno que genera valor real.

El error más frecuente que cometen las organizaciones al arrancar un programa de gobernanza es tratar la calidad de datos como un proyecto paralelo o posterior. Se definen políticas, se asignan data stewards, se instala un catálogo de datos, y recién entonces alguien pregunta: ¿pero estos datos son confiables? Para ese momento, las decisiones ya se tomaron sobre cimientos inestables. El DAMA-DMBOK 2 es explícito al respecto: la gestión de la calidad del dato (Data Quality Management) es uno de los once knowledge areas del framework, y su integración con Data Governance no es opcional sino estructural.

Qué significa “calidad” en un contexto de gobernanza

La calidad de datos no se reduce a que los registros estén completos o sin errores tipográficos. En un marco de gobernanza robusto, la calidad se evalúa contra dimensiones precisas: completitud, consistencia, precisión, oportunidad, unicidad y validez. Cada dimensión responde a una pregunta de negocio distinta. Un dato puede ser preciso pero inoportuno —llegar fuera del ciclo de decisión—, o consistente en un sistema pero contradictorio al cruzarse con otro. El modelo de John Ladley en “Data Governance: How to Design, Deploy, and Sustain an Effective Data Governance Program” subraya que las reglas de calidad deben derivarse de los casos de uso del negocio, no de criterios técnicos aislados.

Esto tiene una implicancia directa para el diseño del programa: los data stewards —los responsables funcionales del dato en cada dominio— son quienes deben definir qué significa “buena calidad” para su conjunto de datos, no el equipo de IT. Un steward de datos maestros de clientes en un banco tiene criterios de calidad distintos a los de un steward de datos de riesgo crediticio, aunque ambos trabajen con información del mismo cliente. Esta distinción es central en el enfoque de Non-Invasive Data Governance de Bob Seiner, que propone formalizar roles que ya existen en la organización en lugar de imponer estructuras nuevas.

El costo de ignorarlo: casos concretos en la región

En América Latina, la degradación de la calidad de datos tiene consecuencias regulatorias directas. Las entidades financieras en Brasil que reportan al Banco Central bajo el sistema SCR (Sistema de Informações de Crédito) enfrentan penalidades cuando los datos remitidos presentan inconsistencias. En Argentina, la Comunicación A 7724 del BCRA establece requisitos de integridad de la información para los reportes de gestión de riesgo, lo que obliga a los bancos a mantener controles de calidad que —aunque no se llamen así— son capabilities equivalentes a los que define el CDMC (Cloud Data Management Capabilities) del EDM Council. En México, la CNBV tiene requerimientos similares para la remisión de información regulatoria periódica.

Más allá del sector financiero, organizaciones con grandes volúmenes de datos personales enfrentan un riesgo adicional: datos de baja calidad pueden derivar en tratamientos incorrectos de información personal, lo que en jurisdicciones con leyes activas como la LGPD brasileña o la Ley 25.326 argentina puede traducirse en incumplimientos con consecuencias sancionatorias. Un registro duplicado mal gestionado puede implicar el envío de comunicaciones a personas que ya ejercieron su derecho de supresión.

Qué hace un CDO con esto el lunes

El punto de entrada más práctico es el data quality scorecard por dominio. Antes de expandir el catálogo de datos o incorporar nuevas fuentes al data lineage, un CDO debería poder responder tres preguntas por cada dominio crítico: ¿cuál es la tasa de completitud actual?, ¿existe un SLA de calidad definido y acordado con el negocio?, y ¿hay un data steward asignado con capacidad de escalar issues de calidad? Si alguna de las tres respuestas es “no sé”, ese dominio es el punto de partida.

• Mapear los dominios de datos críticos para el negocio y asignar un data steward con mandato explícito sobre calidad.
• Definir al menos tres dimensiones de calidad medibles por dominio, con umbrales acordados con stakeholders de negocio.
• Integrar los controles de calidad en el pipeline de datos, no como paso posterior sino como gate de ingesta.
• Establecer un proceso de escalamiento claro cuando un dataset no alcanza el umbral mínimo de calidad para ser usado en decisiones.
• Revisar si los controles de calidad actuales cubren los requisitos de reporte regulatorio aplicables en la jurisdicción.

Herramientas como Great Expectations, Monte Carlo o los módulos nativos de calidad en plataformas como Collibra o Alation permiten automatizar buena parte de este monitoreo, pero la automatización sin ownership humano reproduce el problema a mayor velocidad. La tecnología es el habilitador; el data steward es el responsable.

Gobernanza sin calidad es solo burocracia

Los programas de data governance que no resuelven el problema de calidad generan uno nuevo: una capa de procesos y documentación que le da a la organización la ilusión de control sin el control real. Los comités se reúnen, las políticas se aprueban, el catálogo crece, y las decisiones siguen tomándose sobre datos que nadie confía del todo. Esa desconexión entre la estructura de gobernanza y la realidad del dato es, según el Data Governance Institute, una de las causas principales de abandono de iniciativas de este tipo en los primeros dos años.

Un programa de gobernanza se mide, en última instancia, por si los datos que produce son usados con confianza. Todo lo demás es arquitectura.

El gobierno de datos acumula años de promesas y frameworks bien documentados, pero en la mayoría de las organizaciones sigue siendo un ejercicio de diseño más que de ejecución. La brecha no está en el conocimiento teórico — está en la distancia entre la política aprobada por el comité y la decisión que toma un analista a las 9 de la mañana del lunes. Cerrar esa brecha es el verdadero desafío operativo para los equipos de datos en 2025 y 2026.

El problema de fondo: governance como artefacto

Durante años, muchas organizaciones construyeron su programa de gobierno de datos alrededor de entregables: un glosario de negocio, un mapa de data lineage —la trazabilidad que permite saber de dónde viene un dato y cómo se transforma a lo largo de su ciclo de vida—, un catálogo de activos, políticas de clasificación. El problema no es que esos artefactos estén mal; el problema es que se actualizan trimestralmente, viven en herramientas que pocos consultan y no están conectados a los flujos de trabajo diarios. En la práctica, el dato se procesa igual con o sin ellos. El DAMA-DMBOK, en su segunda edición, ya advertía sobre esta trampa: un programa de governance que no se integra en los procesos operativos es, a efectos prácticos, decorativo.

Bob Seiner, referente de la corriente Non-Invasive Data Governance, lleva más de dos décadas argumentando que el gobierno de datos debería operar sobre las responsabilidades que ya existen — no crear burocracia nueva — sino formalizar quién ya toma decisiones sobre los datos y hacer eso visible, medible y repetible. La operacionalización no implica agregar pasos; implica incrustar controles donde el trabajo ya ocurre.

Qué significa “operativo” en la práctica

Hablar de gobierno de datos operativo tiene al menos tres dimensiones concretas que vale distinguir. La primera es la integración en pipelines: las reglas de calidad, clasificación y ownership no se definen fuera del pipeline — se ejecutan dentro de él. La segunda es la asignación de data stewards —responsables de dominio de datos con mandato formal— que participan en las decisiones técnicas, no solo en las revisiones de política. La tercera es la medición continua: dashboards de calidad de datos vinculados a KPIs de negocio, no reportes mensuales en PDF.

• Reglas de calidad y clasificación embebidas en los pipelines de ingesta y transformación.
• Data stewards con capacidad de bloquear o escalar issues en tiempo real, no solo en reuniones de comité.
• Métricas de governance como parte del scorecard del CDO, no en un reporte separado de compliance.
• Catálogo de datos activo, vinculado al entorno de desarrollo, no a un portal que nadie visita.

El contexto regulatorio empuja la urgencia en LATAM

En América Latina, la presión externa para operacionalizar el gobierno de datos ya no es solo una buena práctica — empieza a ser una exigencia implícita en marcos regulatorios sectoriales. En Brasil, la ANPD ha orientado sus primeras resoluciones hacia la demostración de controles efectivos sobre datos personales, no solo sobre la existencia de políticas escritas: las empresas que no puedan mostrar evidencia operativa de su programa corren riesgo en cualquier proceso de fiscalización bajo la LGPD. En Argentina, la Comunicación A 8073 del BCRA exige a las entidades financieras capacidades de gestión del ciclo de vida del dato que, en el marco del EDM Council (CDMC), corresponden a niveles de madurez 7 y 8 — aunque la mayoría de los bancos locales aún no ha formalizado esa equivalencia ni la certifica. En México, el INAI ha intensificado la expectativa de que los responsables de tratamiento puedan demostrar, con evidencia, los controles aplicados sobre datos personales sensibles.

“La governance que no se puede demostrar en producción no existe desde el punto de vista regulatorio. Una política aprobada en un comité no es un control.”

— Principio operativo, EDM Council CDMC Framework

Qué hace un CDO con esto el lunes

La pregunta concreta para cualquier Chief Data Officer o Data Governance Manager es cómo avanzar sin necesidad de un proyecto de transformación de 18 meses. Una ruta práctica parte de identificar los tres o cuatro dominios de datos con mayor impacto regulatorio o de negocio — clientes, productos, proveedores, transacciones — y mapear quién toma decisiones sobre esos datos hoy, aunque no tenga título formal de data steward. Formalizar ese ownership es el primer paso hacia un control operativo real. El segundo es revisar si las reglas de calidad definidas en el glosario o en el catálogo están efectivamente implementadas en algún punto del pipeline, o solo existen en un documento Word. Si la respuesta es “solo en el documento”, ese es el gap prioritario. El tercer paso es conectar al menos una métrica de calidad de datos a un indicador de negocio que el área usuaria ya monitoree — eso cambia la conversación de compliance a valor.

El ISO/IEC 38505, marco de governance de datos para órganos de dirección, refuerza este enfoque: la responsabilidad final sobre los datos no recae en el equipo de TI ni en el equipo de datos, sino en quienes toman decisiones de negocio. Operacionalizar governance es, en último término, hacer esa responsabilidad visible y exigible en el día a día.

Un programa de gobierno de datos que no se puede demostrar en producción no es un programa — es una presentación de PowerPoint con fecha de vencimiento.