Del problema a la
herramienta que funciona.

Data Mesh es una arquitectura de datos descentralizada propuesta por Zhamak Dehghani en 2019. En lugar de un equipo central que controla un data warehouse, cada dominio de negocio (ventas, finanzas, operaciones) gestiona sus datos como un producto. Conviene cuando hay varios dominios con datos heterogéneos, equipos autónomos y la centralización se ha vuelto un cuello de botella. En PYMES suele aplicarse en versiones ligeras: responsables claros por dominio y estándares mínimos de calidad.

La arquitectura de datos es la estructura: cómo se modelan, almacenan, integran y gobiernan los datos en una organización (fuentes, modelos, flujos, calidad). Business Intelligence es el consumo: dashboards, reportes y análisis construidos sobre esa arquitectura. Sin una arquitectura sólida, los informes de BI suelen ser inconsistentes o difíciles de mantener.

Un dashboard operativo muestra métricas en tiempo real o cuasi-real que ayudan al equipo a decidir el mismo día (tickets abiertos, stock, cola de producción). Uno estratégico agrega datos a semanas o meses y sirve para dirección: revenue por segmento, churn, adquisición. Confundirlos suele generar dashboards que nadie mira: operativos con datos semanales o estratégicos con métricas de detalle que aturden.

Cuando la tarea implica generar, resumir o reformular texto, código o estructuras, los criterios de éxito son claros y aceptas verificar la salida. Casos típicos: redactar borradores, clasificar correos, extraer datos de PDFs, prototipar interfaces. No conviene para decisiones críticas sin supervisión humana, ni cuando los datos son altamente confidenciales sin un entorno on-prem o de cloud privado.

DAMA-DMBOK (Data Management Body of Knowledge) es el marco de referencia más extendido para gestión de datos, mantenido por DAMA International. Define 11 áreas: gobierno, arquitectura, modelado, calidad, seguridad, integración, BI, metadatos, gestión documental, datos maestros y ciclo de vida. Sirve como checklist para evaluar madurez y planificar mejoras.

Data Lake: repositorio que almacena datos en su formato original (crudo), sin esquema previo, útil para análisis exploratorio y machine learning. Data Warehouse: almacén estructurado con esquema definido, optimizado para BI y reportes históricos. Data Mart: subconjunto temático del Data Warehouse (por ejemplo, marketing o finanzas) orientado a un equipo concreto. Las tres capas pueden coexistir.

El Reglamento (UE) 2024/1689 clasifica los sistemas de IA en cuatro niveles: riesgo inaceptable (prohibidos, como el social scoring), alto riesgo (educación, RRHH, sanidad, justicia), riesgo limitado (chatbots y deepfakes con etiquetado obligatorio) y riesgo mínimo (el resto). Los sistemas de alto riesgo deben cumplir requisitos de gestión de riesgos, calidad de datos, transparencia, supervisión humana y registro en una base europea.

Pocos y compartidos. Ejemplos: tiempo medio desde lead hasta primera factura (cruza ventas, operaciones y finanzas), tasa de retención de clientes (ventas y atención), tiempo medio de cierre de incidencia (soporte, producto y operaciones), margen por línea de producto (operaciones y finanzas). Cada KPI debe tener un responsable claro y un canal de comunicación entre áreas.

SaaS conviene cuando el proceso es estándar en tu sector, hay buen ajuste con la herramienta y la diferenciación no está en ese proceso. Software a medida conviene cuando el proceso es parte de tu ventaja competitiva, los SaaS existentes te obligan a adaptar el negocio a su modelo, o necesitas integrar piezas que no encajan. Un híbrido frecuente: SaaS para lo estándar y una capa fina a medida que los une.

Causas habituales: responsabilidades difusas (varios validan, nadie decide), exceso de reuniones que sustituyen entregables, dependencia de una persona clave, ausencia de KPIs entre áreas y herramientas desconectadas que obligan a copiar datos a mano. El primer paso suele ser mapear el flujo real (no el oficial) y medir tiempos por etapa.

BPMN (Business Process Model and Notation) es un estándar de la OMG para representar procesos de negocio con diagramas. Permite que negocio y tecnología hablen el mismo lenguaje: actores, tareas, decisiones, eventos y mensajes con notación consistente. Se usa para documentar procesos actuales, diseñar mejoras y, en algunos motores, ejecutarlos directamente.

Cuatro bloques. Ventas: pipeline, tasa de conversión y ticket medio. Operaciones: tiempo medio de entrega y tasa de errores. Finanzas: margen bruto, runway o caja disponible y días de cobro/pago. Cliente: NPS o equivalente y tasa de retención. Mejor pocos KPIs bien definidos y revisados mensualmente que cien dashboards que nadie mira.