Gestión de metadatos: qué documentar de cada activo de datos y cómo mantener vivo el catálogo

Sin metadatos, un activo de datos es un fichero más. Con ellos, es un activo gobernado: se sabe qué significa, de dónde viene, quién responde de él, quién lo usa y qué restricciones tiene, y se le pueden aplicar políticas de calidad, seguridad y trazabilidad. El catálogo de datos es la herramienta donde viven esos metadatos; la gestión de metadatos es la disciplina que hace que el catálogo refleje la realidad.

Los cuatro tipos de metadatos

Siguiendo DAMA-DMBOK, con una cuarta categoría para lo propio del modelo de gobierno de cada organización:

Tipo	Qué describe	Ejemplos
De negocio	El significado funcional	Definición, términos del glosario, reglas, propietario, finalidad
Técnicos	La estructura y construcción	Esquema, tipos de dato, sistema de origen, procesos de carga, dependencias
Operativos	El comportamiento en explotación	Frecuencia de actualización, estado, calidad, incidencias, uso
De gobierno	Atributos propios del modelo	Clasificación, datos personales, criticidad, fuente de autoridad, uso por sistemas de IA

Metadatos obligatorios: lo mínimo para publicar

El error habitual es querer documentarlo todo desde el primer día. Funciona mejor un conjunto corto de metadatos obligatorios cuya ausencia bloquea la puesta en servicio:

• Nombre del activo, legible por personas.
• Descripción funcional.
• Dominio funcional y producto de datos al que pertenece.
• Propietario del dato.
• Sistema de origen.
• Términos del glosario vinculados.
• Frecuencia de actualización.
• Clasificación de la información y presencia de datos personales.

Con eso se responde a lo esencial: qué es, quién responde y cómo se trata.

Atributos extendidos: lo que la herramienta no trae de serie

Herramientas como Microsoft Purview u OpenMetadata cubren bien los metadatos técnicos, pero no los propios de cada organización. Se añaden como campos personalizados, con valores controlados:

Atributo	Valores	Carácter
Clasificación de la información	Pública / Uso interno / Confidencial / Restringida	Obligatorio
Datos personales	Sin datos personales / Ordinarios / Categorías especiales / Seudonimizados	Obligatorio cuando proceda
Tipo de dato	Maestro / Referencia / Transaccional / Analítico	Obligatorio
Fuente de autoridad	Sí (con fecha de aprobación) / No	Cuando proceda
Tipo de fuente	Aplicación de gestión / Fichero / SharePoint / Servicio web / Sensores	Obligatorio en fuentes integradas
Criticidad	Crítica / Alta / Media / Baja	Recomendado
Uso por sistemas de IA	Lista de sistemas	Obligatorio cuando proceda

Dos ideas importantes. La clasificación automática de las herramientas (DNI, IBAN, correo…) es un complemento, no un sustituto: la clasificación oficial es la que aprueba el administrador del dato. Y el atributo «Uso por sistemas de IA» es cada vez más necesario: permite saber qué datos alimentan cada asistente o modelo y priorizar su calidad.

El ciclo de vida de los metadatos

La regla de oro: los metadatos se crean al entregar el activo, no después. Cada producto de datos incorpora sus metadatos como requisito del desarrollo; así no se acumula deuda documental.

1. Creación, durante el desarrollo, a partir de los entregables: especificación de requisitos, diseño funcional (glosario y usuarios con acceso), diseño técnico (tablas y campos) e inventario de procesos (flujos y dependencias).
2. Validación por el administrador del dato antes de la puesta en servicio.
3. Publicación en el catálogo por el custodio, como parte de la lista de comprobación de publicación.
4. Mantenimiento en cada cambio relevante: esquema, propietario, usos o sensibilidad.
5. Revisión anual, sobre todo de los metadatos de gobierno (propietario, clasificación, criticidad), que se desactualizan sin que nadie lo advierta.

Linaje: de dónde viene cada dato

Ningún activo está realmente gobernado si no se conoce su origen, sus transformaciones y sus usos. Las herramientas generan linaje automático solo para algunas fuentes; las transformaciones en código (scripts o cuadernos en Python) suelen requerir un procedimiento manual:

1. Inventariar el flujo completo, desde los sistemas de origen hasta los informes, modelos, API o sistemas de IA que lo usan.
2. Reunir las evidencias técnicas: código, esquemas y una ficha por proceso con de qué columnas sale cada resultado.
3. Traducirlo a pares origen-destino, por activo y, si es viable, por columna.
4. Dar de alta en el catálogo lo que no detecte el escaneo y crear las relaciones de linaje manuales.
5. Describir en lenguaje claro la finalidad del flujo y sus reglas.
6. Validarlo funcionalmente y aprobar la cobertura antes de publicar.
7. Mantenerlo con cada cambio.

Quién hace qué

Rol	Qué hace con los metadatos
Propietario del dato	Conoce las definiciones de su dominio, aporta criterio y escala discrepancias
Administrador del dato	Valida definiciones, descripciones y glosario, y aporta el contexto del sistema de origen
Custodio del dato	Carga y actualiza los metadatos en el catálogo, incluidos linaje y atributos extendidos
Arquitecto de datos	Define los estándares de catalogación, los atributos extendidos y las listas controladas
Responsable de gobierno del dato	Garantiza el marco, supervisa los mínimos y elabora los informes

Cómo escribir buenas descripciones

Tablas. Describir la finalidad y el contenido sin repetir el nombre. Mal: «Contiene las vías». Bien: «Callejero oficial del municipio, con el código INE de cada vía y su tramo de numeración». Mejor no citar tablas de origen, que cambian y dejan la descripción obsoleta.

Campos. Una descripción explicativa, si forma parte de la clave primaria y un tipo de dato coherente con el contenido: un código postal es texto, no número, o perderá el cero inicial.

Indicadores. Toda descripción responde a cinco preguntas:

Elemento	Ejemplo: tiempo medio de concesión de licencias de obra menor
Qué se mide	Días desde la solicitud completa hasta la notificación de la resolución. Indica la agilidad del servicio
Cómo se mide	Suma de días naturales entre ambas fechas dividida entre las licencias resueltas en el periodo
Unidad	Días naturales
Umbrales	Objetivo: 30 días o menos. Más de 45 días: alerta
Interpretación	Cuanto menor, mejor. Un aumento sostenido indica falta de recursos o un cuello de botella

Cómo saber si funciona

Cuatro indicadores de cobertura, que se pueden obtener de la propia herramienta de catálogo mediante su API y revisar en el comité de gobierno del dato:

• Porcentaje de activos con los metadatos obligatorios completos.
• Porcentaje con clasificación y datos personales identificados.
• Porcentaje con términos del glosario vinculados.
• Porcentaje con propietario formalmente asignado.

Un ejemplo de ficha completa

Así quedaría la ficha de un dataset en el catálogo:

Metadato	Valor
Nombre	Callejero oficial
Descripción	Vías del municipio con su código INE, tipo de vía, tramos de numeración y distrito. Es la referencia para validar direcciones en todos los sistemas
Dominio / producto	Población y territorio / Datos de referencia territoriales
Propietario	Responsable del área de estadística
Administrador	Técnico de cartografía
Sistema de origen	Aplicación de gestión territorial
Términos del glosario	Vía pública, Distrito, Tramo
Frecuencia	Semanal
Clasificación	Pública
Datos personales	Sin datos personales
Tipo de dato	Referencia
Fuente de autoridad	Sí (aprobada por el comité de gobierno del dato)
Criticidad	Alta
Uso por sistemas de IA	Asistente de atención (validación de direcciones)

Con esta ficha, cualquiera sabe qué es, si puede usarlo, a quién preguntar y qué sistemas se verían afectados si cambia.

El glosario de negocio: la otra mitad del catálogo

El catálogo describe activos; el glosario define conceptos. Sin glosario, dos áreas pueden llamar «cliente activo» a cosas distintas y sus informes nunca cuadrarán. Para construirlo:

1. Empezar por los conceptos que más discusiones generan: cliente, contrato, expediente, empleado activo, fecha de alta.
2. Una definición por término, en lenguaje claro, validada por todos los dominios que lo usan.
3. Enlazar cada término con los datasets que lo implementan: así se ve qué tablas responden a cada concepto.
4. Términos propios por subdominio cuando sea necesario, heredando los comunes del dominio.
5. Un responsable por término, normalmente el propietario del dominio, que aprueba los cambios.

Clasificación de la información: los niveles

La clasificación es obligatoria y se traduce en controles reales, no es un ejercicio documental:

Nivel	Ejemplos	Tratamiento
Pública	Datos abiertos, indicadores publicados, normativa	Sin restricciones
Uso interno	Documentación operativa, indicadores internos	Solo personal de la organización
Confidencial	Datos de clientes o ciudadanos concretos, contratos en licitación	Acceso por rol y necesidad de conocer, con registro de accesos
Restringida	Salud, menores, víctimas, configuraciones de seguridad	Acceso mínimo, controles reforzados y auditoría

El cifrado no es un nivel, sino un control que se aplica a los activos confidenciales o restringidos según el análisis de riesgos. Y cada dataset indica además si contiene datos personales y de qué tipo, porque eso condiciona la base jurídica, la conservación y la necesidad de evaluación de impacto.

Metadatos y fuentes integradas

Cuando se incorpora una fuente nueva a la plataforma de datos, el catálogo debe recoger también:

• el tipo de fuente (aplicación de gestión, fichero, gestor documental, servicio web, sensores);
• el patrón de integración (carga por lotes, flujo de eventos, consulta bajo demanda, replicación de cambios);
• el acuerdo de acceso al dato con el responsable del sistema de origen: qué datos, con qué frecuencia, qué esquema, qué sensibilidad y qué pasa cuando cambia la fuente;
• el linaje completo hasta los productos que la usan.

Así, cuando un sistema de origen cambia, se sabe en minutos qué informes y modelos se verán afectados.

Metadatos para la inteligencia artificial

Los sistemas de IA, sobre todo los que buscan en documentos propios (RAG), dependen de metadatos que antes eran opcionales:

• Vigencia del documento: un asistente que cita una normativa derogada da respuestas erróneas con total seguridad.
• Clasificación y permisos: determinan qué puede ver el asistente y para quién responde.
• Fuente de autoridad: qué documento manda cuando dos dicen cosas distintas.
• Uso por sistemas de IA: para priorizar la calidad de esos activos y evaluar el impacto de los cambios.

Cómo implantarlo por fases

1. Fase 1: lo mínimo en lo crítico. Metadatos obligatorios y clasificación en los datasets más usados y en los que alimentan sistemas de IA.
2. Fase 2: glosario y linaje. Términos clave del negocio y linaje de los productos de datos principales, incluido el manual donde el automático no llega.
3. Fase 3: atributos extendidos y automatización. Criticidad, fuentes de autoridad, indicadores de cobertura obtenidos por API y revisión anual.

Cada fase se cierra con los indicadores de cobertura, no con la herramienta instalada.

Errores frecuentes

• Documentar después: la documentación posterior nunca llega o llega desactualizada.
• Copiar el nombre técnico como descripción: «TB_CLI_001: tabla de clientes» no ayuda a nadie.
• Confiar solo en el escaneo automático: detecta tablas, no significados.
• Catálogo sin dueño: si nadie revisa los metadatos de gobierno, en un año el propietario de la mitad de los activos ya no trabaja allí.
• Querer catalogarlo todo a la vez: es mejor un 100 % de lo crítico que un 30 % de todo.

En Bidatia implantamos catálogos de datos con Microsoft Purview y OpenMetadata, y diseñamos el modelo de metadatos que los hace útiles. Para el marco de roles y órganos, consulta gobierno del dato: perfiles y organización.