Gobernanza de Datos
CÓMO TRABAJAMOS
Un mismo método en todas las líneas.
No entregamos solo teoría: avanzamos rápido, medimos impacto y ajustamos contigo. Siempre.
Ruta de gobierno
Ruta de calidad de datos
PASO 1 · 3 A 5 SEMANAS
Diagnóstico de madurez
Evaluamos cómo gestiona sus datos hoy según el marco DAMA-DMBOK: dueños, políticas, calidad, metadatos y seguridad. Entregamos un nivel de madurez por dimensión y un plan priorizado por impacto, no un informe que aplica la norma completa por defecto.
Precio fijo · marco DAMA-DMBOK adaptado a su tamaño
PASO 2 · MODELO
Roles, políticas y comité
Definimos quién es dueño de cada dominio de datos, cómo se aprueban los cambios, qué significa cada indicador y qué se considera un valor válido. El objetivo es que cada dato tenga un responsable con nombre y apellido.
Un dueño por dominio, no un área difusa
PASO 3 · MEDICIÓN
Métricas y tablero de gobierno
Indicadores de calidad y adopción en un tablero que el comité revisa periódicamente, para detectar deterioros antes de que aparezcan en un reporte de directorio.
Lo que no se mide, vuelve a deteriorarse
Ruta de cumplimiento y datos para IA
PASO 1 · LEY 21.719
Inventario de tratamientos
Levantamos el registro que la ley exige: qué datos personales trata la organización, dónde están, con qué base de licitud, quién accede y con qué proveedores se comparten. Es el insumo sin el cual ningún programa de cumplimiento avanza.
Se integra con la ruta de cumplimiento normativo
PASO 2 · CLASIFICACIÓN
Sensibilidad y permisos
Clasificamos la información por sensibilidad y definimos quién puede ver qué. Es lo que permite que un asistente interno responda sin exponer datos que no corresponden.
Condición previa de cualquier asistente interno
PASO 3 · HABILITACIÓN
Datos listos para IA
Evaluamos si sus datos están en condiciones de alimentar modelos y agentes: calidad suficiente, permisos claros, datos personales separados y trazabilidad de lo que el sistema usa para responder.
El paso previo que decide si el proyecto de IA funciona
Preguntas frecuentes
Lo que se pregunta antes de partir.
Es el conjunto de responsables, políticas y controles que determinan quién puede hacer qué con los datos de la organización, y cómo se garantiza que sean correctos. Sin ella, cada área mantiene su propia versión de la verdad, los reportes no cuadran entre sí y nadie puede responder de dónde salió una cifra. Es también el requisito previo de cualquier proyecto serio de analítica o inteligencia artificial.
Directa. La Ley 21.719 exige mantener un registro de actividades de tratamiento: qué datos personales trata la organización, con qué base de licitud, dónde están y con quién se comparten. Ese registro es, en la práctica, un inventario de datos. Las organizaciones que ya tienen gobernanza lo construyen en semanas; las que no, descubren que primero deben ordenar la casa. Por eso conviene hacer ambas cosas como un solo proyecto.
Es el cuerpo de conocimiento de gestión de datos publicado por DAMA International, el marco de referencia más usado en la disciplina. Organiza la gestión de datos en áreas como gobierno, arquitectura, calidad, metadatos, seguridad e integración. Passus lo usa como estructura del diagnóstico, adaptando la profundidad al tamaño y la madurez de cada organización en lugar de aplicarlo completo por defecto.
El diagnóstico de madurez toma entre 3 y 5 semanas. La implementación del modelo de gobierno depende del alcance: entre 3 y 9 meses para una organización mediana, trabajando por dominios de datos en lugar de intentar abarcar todo a la vez. La auditoría de calidad de una base crítica se puede hacer en paralelo, en 2 a 3 semanas.
No al principio, y ese es un error frecuente. Primero se define quién es dueño de qué y qué significa cada dato; recién entonces una herramienta de catálogo aporta valor. Cuando llega ese momento, existen opciones de código abierto maduras como OpenMetadata, Apache Atlas y Great Expectations, que evitan comprometer licencias antes de saber qué se necesita.
Porque un modelo o un agente responde con los datos que se le entregan. Si esos datos tienen duplicados, campos vacíos o versiones contradictorias entre sistemas, el resultado es incorrecto y además difícil de auditar. A eso se suma el problema de permisos: sin saber qué información es personal y quién puede verla, un asistente interno puede exponer datos que no debería. Ordenar los datos no es un paso previo opcional: es lo que determina si el proyecto de inteligencia artificial funciona.
Por qué Passus
Marco internacional, realidad chilena.
DAMA-DMBOK adaptado, no recitado
Gobierno de datos y de TI en la misma casa
Conectado con la ley y con la IA
Usamos el marco como estructura del diagnóstico, no como checklist a aplicar completo. En una organización mediana, intentar cubrir las once áreas a la vez es la forma más segura de no terminar ninguna.
Venimos de ITIL, COBIT e ISO 27001. La gobernanza de datos comparte con ellos la misma lógica de dueños, políticas y evidencia — y así se integra a lo que la organización ya tiene, en vez de sumar una estructura paralela.
El mismo inventario sirve para cumplir la Ley 21.719 y para habilitar proyectos de inteligencia artificial. Lo diseñamos una vez, con ambos usos en mente, en lugar de hacer el trabajo dos veces.
01
Los reportes no cuadran
CADA ÁREA CON SU VERSIÓN DE LA VERDAD
Comercial dice una cifra de ventas, finanzas dice otra, y ambas tienen razón según su propia definición. La reunión se va en discutir de dónde salió el número en vez de decidir qué hacer con él.
-
Cada área calcula el mismo indicador con criterios distintos
-
Nadie puede rastrear el origen de una cifra hasta su fuente
-
Las decisiones se toman igual, pero con menos confianza
02
El inventario de la ley no existe
LEY 21.719 · REGISTRO DE TRATAMIENTOS
La ley exige saber qué datos personales trata la organización, dónde están, con qué base legal y con quién se comparten. Sin gobernanza, armar ese registro no toma semanas: toma meses de arqueología entre planillas y sistemas heredados.
-
Bases de datos personales fuera del radar de TI
-
Contratos con proveedores que nadie revisó desde esa perspectiva
-
Imposible responder una solicitud de acceso dentro de plazo
03
La IA hereda el desorden
BASURA ADENTRO · BASURA ADENTRO A ESCALA
Un agente responde con los datos que se le entregan. Si esos datos tienen duplicados y contradicciones, el sistema no solo se equivoca: se equivoca rápido, en volumen y con una seguridad que confunde a quien lo usa.
-
El asistente cita cifras que ningún humano habría dado por buenas
-
Sin permisos claros, puede exponer datos personales a quien no corresponde
-
Nadie puede auditar de dónde sacó la información que usó
PASO 1 · 2 A 3 SEMANAS
Auditoría de calidad
Medimos las bases críticas por dimensión —completitud, unicidad, validez, consistencia entre sistemas y trazabilidad— y entregamos un índice de calidad con las brechas específicas que lo explican.
Incluye validación de RUT, duplicados y campos obligatorios
PASO 2 · REMEDIACIÓN
Limpieza y reglas automáticas
Corregimos las brechas priorizadas y automatizamos reglas de validación con herramientas como Great Expectations, para que los mismos errores no vuelvan a entrar por la misma puerta.
Corregir una vez, prevenir siempre
PASO 3 · CATÁLOGO
Catálogo y linaje de datos
Implementamos el catálogo con OpenMetadata o Apache Atlas: definiciones de negocio, responsables y trazabilidad del origen de cada indicador, para que cualquiera pueda responder de dónde salió una cifra.
Herramientas de código abierto · sin comprometer licencias
Gobernanza de Datos
Antes de gobernar la IA, hay que gobernar los datos que la alimentan.
Duplicados, RUTs inválidos, tres versiones de la verdad en tres sistemas y nadie que responda por ninguna. Es la razón más frecuente por la que un reporte no cuadra, un proyecto de IA no llega a producción y un inventario de tratamientos toma meses en vez de semanas.
Cómo se manifiesta
Tres síntomas que casi siempre tienen la misma causa.
Rara vez el problema es la herramienta o el equipo de datos. Es que nadie definió quién es dueño de cada dato, qué significa exactamente y qué se considera un valor válido.
AUDITORÍA DE CALIDAD · EJEMPLO
ÍNDICE DE CALIDAD DE DATOS
Ejemplo ilustrativo de una base comercial de tamaño medio. Las dimensiones en rojo son las que suelen explicar por qué dos áreas obtienen cifras distintas del mismo dato.