Catálogo de datos: El mapa que nadie te enseñó a leer

¿Qué es un catálogo de datos?

Un catálogo de datos es un inventario centralizado y organizado de todos los activos de datos de una organización. Su función principal es documentar qué datos existen, dónde están almacenados, quién es responsable de ellos y cómo se relacionan entre sí. Piensa en él como el índice de una biblioteca gigante: no contiene los libros, pero te dice exactamente dónde encontrar cada uno.

Desde el punto de vista técnico, un catálogo de datos opera sobre los metadatos, es decir, sobre la información que describe a los datos. Cuando un analista necesita una tabla específica, no tiene que preguntar a varios colegas ni explorar decenas de sistemas: consulta el catálogo y obtiene la respuesta de forma directa, con contexto completo y confiable.

¿Qué almacena un catálogo de datos y qué no?

Una de las confusiones más frecuentes al acercarse a este concepto es pensar que el catálogo guarda los datos directamente. No es así. Un catálogo de datos almacena únicamente metadatos: nombres de tablas, esquemas, descripciones, propietarios, etiquetas y relaciones. La conexión con la fuente original es de solo lectura y extrae estructura, no contenido.

¿Qué SÍ almacena?	¿Qué NO almacena?
Nombres de tablas y columnas	Filas de datos reales
Tipos de datos y esquemas	Imágenes, documentos o archivos
Propietario y responsable del dato	Contraseñas o credenciales de acceso
Fecha de última actualización	Resultados de consultas SQL
Linaje y trazabilidad del dato	Datos personales sensibles sin anonimizar
Etiquetas de clasificación y sensibilidad	Backups o réplicas de bases de datos

Componentes de un catálogo de datos

Para cumplir sus funciones correctamente, un catálogo de datos se organiza en varios elementos que trabajan juntos. Cada componente aporta una capa distinta de información que, sumada al resto, ofrece una visión completa y útil de cada activo de datos dentro de la organización.

Metadatos técnicos

Los metadatos técnicos son el punto de partida de cualquier catálogo. Describen la estructura interna de los datos: nombres de tablas, tipos de columnas, esquemas, formatos de archivo y la frecuencia con que se actualizan. En la mayoría de los casos, estos metadatos se recopilan de forma automática mediante conectores que se integran con las fuentes de datos existentes.

Metadatos de negocio

Mientras que los metadatos técnicos describen cómo está construido un dato, los metadatos de negocio explican qué significa y quién lo gestiona. Incluyen la descripción del activo, el propietario asignado, las etiquetas temáticas y el nivel de sensibilidad (por ejemplo, si contiene información personal o confidencial). Este tipo de metadato suele enriquecerse manualmente por personas del equipo de datos o del área de negocio.

Linaje de datos

El linaje de datos registra el recorrido completo de un dato: desde dónde se originó, qué transformaciones sufrió y en qué sistemas o informes terminó siendo utilizado. Este componente es clave para entender el impacto de cualquier cambio en el pipeline: si modificas una tabla en el origen, el linaje te muestra exactamente qué reportes o modelos downstream se verán afectados.

Glosario de negocio y diccionario de datos

El glosario de negocio reúne los términos que usa la organización y les da una definición estándar para que todos los equipos hablen el mismo idioma. El diccionario de datos, por su parte, describe campo a campo el significado técnico de cada variable. Juntos, cierran la brecha entre el lenguaje del área de negocio y el lenguaje técnico del equipo de ingeniería de datos.

¿Para qué sirve un catálogo de datos?

Más allá de ser un repositorio de metadatos, un catálogo de datos resuelve problemas concretos del día a día en los equipos que trabajan con información. Sus beneficios se perciben desde la primera semana de uso, especialmente en organizaciones donde los datos están dispersos entre muchos sistemas y equipos.

Descubrimiento y búsqueda de datos

Sin un catálogo, encontrar el conjunto de datos correcto puede llevar horas o días. Con él, cualquier miembro del equipo puede buscar por nombre, etiqueta, propietario o descripción y llegar al activo que necesita en segundos. El catálogo actúa como un motor de búsqueda interno de los activos de datos, sin necesidad de acceder directamente a los sistemas donde están almacenados.

Calidad y confiabilidad de los datos

Cuando se ingresa un nuevo conjunto de datos al catálogo, se pueden asociar métricas de calidad, registros de auditoría y fechas de última actualización. Esto permite que cualquier usuario sepa de antemano si un dato es confiable antes de usarlo en un análisis o en un modelo de machine learning, reduciendo decisiones basadas en información incorrecta o desactualizada.

Apoyo al gobierno de datos

El catálogo de datos es uno de los pilares del gobierno de datos en cualquier organización. Gracias a él, es posible definir roles y responsabilidades sobre cada activo, aplicar políticas de acceso, gestionar datos sensibles y cumplir con normativas de privacidad. Sin catálogo, el gobierno de datos se convierte en un ejercicio teórico sin respaldo práctico.

Tipos de catálogos de datos

No todos los catálogos de datos funcionan de la misma manera. Según cómo gestionan los metadatos y cómo se integran con el resto de la infraestructura, existen dos enfoques principales que determinan su arquitectura y comportamiento dentro de la organización.

Catálogo independiente (stand-alone)

En este enfoque, cada sistema o entidad mantiene su propio catálogo de forma autónoma, con metadatos activos que no se comparten automáticamente con otros sistemas. Es útil en entornos donde los dominios de datos están claramente separados y cada área necesita gestionar su propio inventario sin depender de una plataforma central compartida.

Catálogo integrado (embedded)

El catálogo integrado opera con metadatos pasivos y todos los sistemas de la organización comparten un único repositorio centralizado. Cualquier equipo accede a la misma información desde la misma fuente, lo que elimina inconsistencias y facilita la colaboración entre áreas. Este es el modelo predominante en organizaciones con grandes volúmenes de datos y múltiples equipos consumidores.

Característica	Catálogo independiente	Catálogo integrado
Tipo de metadatos	Activos (propios de cada sistema)	Pasivos (compartidos centralmente)
Gestión	Descentralizada por dominio	Centralizada en una sola plataforma
Colaboración entre equipos	Limitada	Alta
Complejidad de implementación	Baja	Media-alta
Ideal para	Organizaciones pequeñas o por dominio	Grandes organizaciones con múltiples fuentes

¿Cómo se construye un catálogo de datos?

Construir un catálogo de datos no requiere empezar desde cero con toda la información de la organización. El proceso funciona mejor cuando se aborda de forma incremental, comenzando con las fuentes más críticas y expandiendo el inventario con el tiempo. A continuación se describen las tres etapas fundamentales.

Recopilación de metadatos

El primer paso consiste en conectar el catálogo con las fuentes de datos de la organización: bases de datos relacionales, data lakes, almacenes en la nube, herramientas ETL y APIs. La recopilación puede ser automática mediante conectores nativos que extraen esquemas, tipos de datos y frecuencias de actualización sin intervención manual. Esta fase genera los metadatos técnicos base del catálogo.

Clasificación y etiquetado

Una vez recopilados los metadatos técnicos, el siguiente paso es enriquecerlos con contexto de negocio. Los responsables de cada activo añaden descripciones, asignan propietarios, aplican etiquetas temáticas y marcan el nivel de sensibilidad de los datos. Este enriquecimiento manual convierte un inventario técnico en un recurso útil para toda la organización, incluyendo perfiles no técnicos como analistas de negocio o directivos.

Publicación y mantenimiento

El catálogo solo tiene valor si está actualizado. Por eso, el mantenimiento continuo es la etapa más importante a largo plazo: hay que definir quién es responsable de actualizar cada activo, establecer alertas cuando un dato queda desactualizado y revisar periódicamente la calidad de los metadatos. Un catálogo abandonado pierde su utilidad rápidamente y genera desconfianza entre los equipos.

Herramientas populares de catálogo de datos

El mercado ofrece opciones que van desde plataformas comerciales de nivel empresarial hasta soluciones de código abierto listas para instalar. La elección depende del tamaño del equipo, el stack tecnológico existente y el presupuesto disponible. Conocer las opciones más consolidadas te permite tomar una decisión informada antes de comenzar cualquier implementación.

Herramienta	Tipo	Destacado por	Ideal para
Apache Atlas	Open source	Linaje y gobernanza en ecosistemas Hadoop	Equipos con infraestructura on-premise
DataHub (LinkedIn)	Open source	Linaje técnico muy potente y flexible	Ingenieros con stacks modernos
OpenMetadata	Open source	Interfaz moderna y fácil de integrar	Equipos que empiezan desde cero
Alation	Comercial	Adopción por usuarios de negocio	Organizaciones maduras con analistas
Collibra	Comercial	Gestión de políticas y cumplimiento normativo	Grandes empresas reguladas
Atlan	Comercial	Integración moderna con dbt, Fivetran, Snowflake	Stacks analíticos cloud-native
IBM Watson Knowledge Catalog	Comercial	IA integrada y gobierno centralizado	Empresas con stack IBM / casos de ML
Google Dataplex Universal Catalog	Cloud gestionado	Integración nativa con BigQuery y Google Cloud	Organizaciones en ecosistema GCP

Las herramientas ETL que alimentan las fuentes de datos suelen integrarse de forma nativa con los catálogos más modernos. Si quieres entender cómo los datos llegan desde su origen hasta el catálogo, revisar las herramientas ETL más usadas en el sector te dará un contexto muy valioso para comprender el flujo completo.

Catálogo de datos vs. conceptos relacionados

El catálogo de datos convive con otros conceptos que a veces generan confusión. Entender las diferencias entre ellos es necesario para saber qué herramienta usar en cada situación y cómo encajan dentro de una arquitectura de datos moderna. Estos tres elementos son complementarios, no intercambiables.

El catálogo de datos responde «¿qué datos tenemos y dónde están?», el data lake responde «¿dónde guardamos los datos?» y el glosario de negocio responde «¿qué significan esos datos?». Los tres juntos forman la columna vertebral de una gestión de datos madura, pero cada uno tiene un propósito distinto y no puede reemplazar a los demás.

«Un catálogo de datos moderno solo almacena metadatos: nombres de tablas, columnas, descripciones, etiquetas y relaciones. La conexión a las fuentes es de solo lectura.»

Ejemplo visual: así luce un catálogo de datos

Para entender cómo se estructura un catálogo de datos en la práctica, nada mejor que ver un ejemplo real con datos representativos. La siguiente tabla muestra cómo se documentaría un activo de datos típico dentro de un catálogo, con todos sus campos de metadatos técnicos y de negocio completados.

Campo del catálogo	Tipo de metadato	Ejemplo de valor	Descripción del campo
Nombre del activo	Técnico	ventas_trimestre_q3_2024	Nombre único del dataset o tabla en el sistema de almacenamiento
Descripción	Negocio	Registro de ventas por producto y región para el tercer trimestre de 2024	Texto que explica qué contiene el activo y para qué se usa
Propietario	Negocio	equipo-analitica@empresa.com	Persona o equipo responsable de la calidad y actualización del dato
Sistema de origen	Técnico	CRM Salesforce → Data Warehouse BigQuery	Fuente original del dato y sistema donde se almacena actualmente
Formato	Técnico	Tabla SQL / Parquet	Formato en que están almacenados los datos
Frecuencia de actualización	Operacional	Diaria (00:30 UTC)	Con qué periodicidad se refresca la información del activo
Última actualización	Operacional	2024-11-08 00:31:12 UTC	Fecha y hora exacta del último refresco de datos confirmado
Columnas principales	Técnico	id_venta, fecha, producto_id, región, importe_eur, canal	Listado de campos más relevantes con sus tipos de datos asociados
Nivel de sensibilidad	Negocio	Interno — No contiene datos personales	Clasificación de confidencialidad según política de gobierno de datos
Etiquetas temáticas	Negocio	#ventas #crm #analítica #q3-2024	Palabras clave que facilitan la búsqueda y clasificación del activo
Linaje (origen)	Linaje	Salesforce Opportunities → ETL pipeline → BigQuery dataset	Trazabilidad del dato desde su creación hasta el almacén actual
Consumidores conocidos	Operacional	Dashboard Looker «Ventas Q3», Modelo ML forecasting_ventas_v2	Sistemas, reportes o modelos que consumen activamente este activo
Métricas de calidad	Calidad	Completitud: 99,2% • Duplicados: 0,1% • Nulos en importe: 0%	Indicadores que reflejan el estado actual de la calidad del dato
Acceso	Gobernanza	Equipo de Analítica, Dirección Comercial (previa solicitud)	Roles y equipos con permisos de lectura sobre este activo
Términos del glosario vinculados	Negocio	«Venta confirmada», «Canal digital», «Región comercial»	Términos del glosario de negocio que definen conceptos usados en este activo

Este ejemplo refleja cómo un único activo de datos puede documentarse de forma completa dentro de un catálogo. Cada fila representa un campo que aporta valor a un perfil diferente: los campos técnicos interesan al ingeniero, los de negocio al analista, los de calidad al responsable de gobierno y los de acceso al equipo de seguridad. Toda esa información convive en un mismo registro del catálogo.

Gestionar correctamente estos activos forma parte del trabajo cotidiano en la ingeniería de datos. Si quieres entender mejor el contexto en el que opera un catálogo dentro de una organización, profundizar en el campo completo te dará una visión mucho más sólida.

Preguntas frecuentes

¿Qué diferencia hay entre un catálogo de datos y un diccionario de datos?

El diccionario de datos describe campo a campo el significado técnico de cada variable dentro de un conjunto de datos: tipos, formatos, restricciones y reglas de validación. El catálogo de datos es más amplio: incluye el diccionario, pero añade metadatos de negocio, linaje, propietario, calidad y capacidades de búsqueda que permiten descubrir activos en toda la organización. El diccionario responde «¿qué significa este campo?» y el catálogo responde «¿qué datos tenemos, dónde están y quién los gestiona?».

¿Un catálogo de datos almacena los datos reales de la empresa?

No. Un catálogo de datos almacena únicamente metadatos, es decir, información sobre los datos: su nombre, estructura, origen, propietario y relaciones. La conexión con la fuente original es de solo lectura y extrae estructura, no contenido. Los datos reales permanecen en sus sistemas de origen: bases de datos, data lakes o almacenes en la nube. Esta distinción es importante tanto desde el punto de vista técnico como de privacidad.

¿Qué relación tiene el catálogo de datos con el gobierno de datos?

El catálogo de datos es uno de los componentes operativos más importantes del gobierno de datos. Mientras que el gobierno establece las políticas, roles y estándares que debe seguir la organización, el catálogo es la herramienta que hace posible aplicar esas políticas en la práctica: quién tiene acceso a qué dato, qué datos son sensibles, quién es el responsable de cada activo y cómo se garantiza su calidad. Sin catálogo, el gobierno de datos se queda en el plano teórico.

¿Qué es el linaje de datos dentro de un catálogo?

El linaje de datos es el registro del recorrido completo de un dato: desde dónde se originó, qué transformaciones sufrió en el camino y en qué sistemas, reportes o modelos terminó siendo utilizado. Dentro del catálogo, el linaje te permite entender el impacto de cualquier cambio: si modificas una tabla en el origen, puedes ver exactamente qué dashboards, pipelines o modelos se verán afectados antes de hacer el cambio.

¿Cuándo necesita una organización un catálogo de datos?

Una organización empieza a necesitar un catálogo de datos cuando los equipos pierden tiempo buscando información, cuando existen dudas sobre qué versión de un dato es la correcta o cuando diferentes áreas usan los mismos términos con significados distintos. No hay un umbral de tamaño para empezar: incluso equipos pequeños con cinco o diez fuentes de datos se benefician de tener un inventario ordenado. El catálogo se vuelve imprescindible cuando la falta de contexto sobre los datos comienza a afectar la calidad de las decisiones.

¿Qué son los metadatos en un catálogo de datos?

Los metadatos son datos que describen a otros datos. En el contexto de un catálogo, incluyen información técnica como el nombre de las tablas, los tipos de columnas y el origen del sistema, pero también información de negocio como la descripción del activo, su propietario y su nivel de sensibilidad. Sin metadatos, un catálogo de datos es simplemente una lista vacía: son ellos los que le dan utilidad y contexto a cada activo registrado.

¿Qué herramientas de código abierto existen para crear un catálogo de datos?

Las tres herramientas de código abierto más consolidadas son Apache Atlas, especialmente útil en ecosistemas Hadoop y entornos on-premise; DataHub, desarrollado originalmente por LinkedIn y muy potente para gestionar linaje técnico en stacks modernos; y OpenMetadata, una opción más reciente con una interfaz moderna y una integración ágil con fuentes de datos variadas. Las tres son gratuitas y tienen comunidades activas que publican documentación, integraciones y actualizaciones con regularidad.

Conclusión

Un catálogo de datos es mucho más que una lista de tablas: es el sistema que permite a tu organización saber qué información tiene, dónde está, quién la gestiona y si es confiable. Sin ese conocimiento centralizado, trabajar con datos se convierte en un proceso lento, propenso a errores y difícil de escalar.

A lo largo de este artículo has visto qué contiene un catálogo, cómo se construye paso a paso, qué tipos existen y qué herramientas puedes usar para implementarlo. Con esa base, ya puedes evaluar qué opción encaja mejor con tu stack tecnológico, el tamaño de tu equipo y los problemas concretos que quieres resolver.

Si este tema te genera más preguntas, en este sitio web encontrarás más contenido sobre ingeniería de datos, gobierno de datos y arquitecturas modernas que te ayudarán a construir una visión completa del campo. Cada concepto que domines hoy se convierte en una herramienta más sólida para el trabajo de mañana.

Sigue aprendiendo: