01What it isQué es
Data governance is the operating model that assigns decision rights and accountability for data — business Data Owners per domain, Data Stewards who run quality day to day, explicit quality rules, and a scorecard that makes data quality visible to management.
El gobierno de datos es el modelo operativo que asigna derechos de decisión y responsabilidad sobre los datos: Data Owners de negocio por dominio, Data Stewards que gestionan la calidad en el día a día, reglas de calidad explícitas y un scorecard que hace visible la calidad para la dirección.
02Why it mattersPor qué importa
When every team edits data to suit itself and nobody owns the result, quality decays and trust in every dashboard and model goes with it. Effective data governance starts by deciding who holds decision rights over data principles, quality, metadata, access and lifecycle — and making them accountable (Khatri and Brown, 2010 — Communications of the ACM). Putting those rights with business owners, not IT, is what turns data quality from a cleanup project into a managed process.
Cuando cada equipo edita los datos a su conveniencia y nadie es dueño del resultado, la calidad se degrada y con ella la confianza en cada dashboard y modelo. Un gobierno de datos efectivo comienza por decidir quién tiene los derechos de decisión sobre principios, calidad, metadatos, acceso y ciclo de vida de los datos, y por hacerlo responsable (Khatri and Brown, 2010 — Communications of the ACM). Asignar esos derechos a los dueños de negocio, no a TI, es lo que convierte la calidad de datos de un proyecto de depuración en un proceso gestionado.
03How it is doneCómo se hace
1
Name business data owners. Assign an accountable executive for each domain — product, customer, supplier, transactions — with stewards beneath them.
2
Codify the quality rules. Write completeness, accuracy, consistency and timeliness rules per domain and automate alerts when they are broken.
3
Report quality to leadership. Publish a monthly scorecard by domain, tied to its financial impact, and review it with the owners.
1
Nombra dueños de negocio. Asigna un directivo responsable por dominio —producto, clientes, proveedores, transacciones— con Data Stewards a su cargo.
2
Codifica las reglas de calidad. Escribe reglas de completitud, exactitud, consistencia y oportunidad por dominio y automatiza alertas cuando se incumplan.
3
Reporta la calidad a la dirección. Publica un scorecard mensual por dominio, ligado a su impacto financiero, y revísalo con los dueños.
04The concept in depthEl concepto a fondo
Data governance: the governance system that guarantees data quality and trust›
Data governance is the set of policies, processes, roles, and rules that ensure organizational data is accurate, complete, consistent, and available to those who need it. Without data governance, data quality degrades over time: each team modifies data in the way that suits them, nobody is responsible for quality, and analytics built on that data become progressively less reliable.
Data governance roles in supply chain›
(1) Data Owner: the business executive (generally the Supply Chain or Finance Director) responsible for the data domain. Makes decisions about what data is captured, how it's defined, and who can access it. (2) Data Steward: the data expert who manages data quality day-to-day — defines quality rules, detects and corrects problems, and leads data cleanup. (3) Data Consumer: data users (analysts, planners, managers) who report data quality problems to the Data Steward. (4) Data Engineer: the technician who implements pipelines, transformations, and quality controls in data systems.
Supply chain data quality rules›
(1) Completeness: all mandatory fields (weight, dimensions, tariff code) must be present. (2) Accuracy: values must be correct — declared weight = measured weight, tax ID = SAT tax ID. (3) Consistency: the same data must not have different values in different systems (material master price must be equal in ERP and supplier portal). (4) Timeliness: data must be available with the correct latency for the use case.
Intermediate vs. Advanced›
Intermediate: acts as Data Steward for assigned data domains; reports data quality problems to the Data Owner.
Advanced: designs the data governance framework for supply chain; implements the Data Council; manages the data quality improvement roadmap.
Advanced: designs the data governance framework for supply chain; implements the Data Council; manages the data quality improvement roadmap.
Gobierno de datos: el sistema que garantiza la calidad y la confianza en los datos›
El gobierno de datos (data governance) es el conjunto de políticas, procesos, roles y reglas que aseguran que los datos de la organización sean exactos, completos, consistentes y estén disponibles para quien los necesita. Sin gobierno de datos, la calidad se degrada con el tiempo: cada equipo modifica los datos como le conviene, nadie es responsable de la calidad y la analítica construida sobre esos datos se vuelve cada vez menos confiable.
Roles de gobierno de datos en supply chain›
(1) Data Owner: el directivo de negocio (generalmente el Director de Supply Chain o de Finanzas) responsable del dominio de datos. Decide qué datos se capturan, cómo se definen y quién puede acceder a ellos. (2) Data Steward: el experto en datos que gestiona la calidad en el día a día; define reglas de calidad, detecta y corrige problemas y lidera la depuración de datos. (3) Data Consumer: los usuarios de los datos (analistas, planeadores, gerentes), que reportan los problemas de calidad al Data Steward. (4) Data Engineer: el técnico que implementa pipelines, transformaciones y controles de calidad en los sistemas de datos.
Reglas de calidad de datos en supply chain›
(1) Completitud: todos los campos obligatorios (peso, dimensiones, fracción arancelaria) deben estar presentes. (2) Exactitud: los valores deben ser correctos; peso declarado = peso medido, RFC = RFC registrado ante el SAT. (3) Consistencia: el mismo dato no debe tener valores distintos en sistemas distintos (el precio del maestro de materiales debe ser igual en el ERP y en el portal de proveedores). (4) Oportunidad: los datos deben estar disponibles con la latencia correcta para el caso de uso.
Intermedio vs. Avanzado›
Intermedio: actúa como Data Steward de los dominios de datos asignados; reporta los problemas de calidad al Data Owner.
Avanzado: diseña el marco de gobierno de datos de supply chain; implementa el Data Council; gestiona el roadmap de mejora de calidad de datos.
Avanzado: diseña el marco de gobierno de datos de supply chain; implementa el Data Council; gestiona el roadmap de mejora de calidad de datos.
05In practiceEn la práctica
Data governance is not an IT project — it is a business program with business owners›
The biggest mistake in data governance programs is making IT responsible for data quality. IT can implement the tools, but quality responsibility must lie with the business.
Start with one data domain at a time — don't try to govern all organizational data simultaneously›
The first data governance domain should be the one with the highest impact on the most critical business processes (generally the product master in supply chain).
The monthly Data Quality Scorecard makes data quality visible to management — and generates the incentive to improve it›
A Data Owner who must present a scorecard with 78% product master completeness to the Management Committee has a very different incentive than one who never sees that data.
Connect data quality metrics with financial impact — the data governance ROI is highly quantifiable›
$180K USD freight savings from correcting incorrect weights + $1.8M MXN reduction in operational errors from improved data quality is the financial argument for investing in the data governance program.
El gobierno de datos no es un proyecto de TI: es un programa de negocio con dueños de negocio›
El mayor error en los programas de gobierno de datos es hacer a TI responsable de la calidad de los datos. TI puede implementar las herramientas, pero la responsabilidad por la calidad debe recaer en el negocio.
Empieza con un dominio de datos a la vez: no intentes gobernar todos los datos de la organización al mismo tiempo›
El primer dominio de gobierno de datos debe ser el de mayor impacto en los procesos de negocio más críticos (en supply chain, generalmente el maestro de producto).
El Data Quality Scorecard mensual hace visible la calidad de datos para la dirección y genera el incentivo para mejorarla›
Un Data Owner que debe presentar ante el Comité de Dirección un scorecard con 78% de completitud del maestro de producto tiene un incentivo muy distinto al de uno que nunca ve ese dato.
Conecta las métricas de calidad de datos con su impacto financiero: el ROI del gobierno de datos es altamente cuantificable›
$180K USD de ahorro en flete por corregir pesos incorrectos + $1.8M MXN de reducción en errores operativos por la mejora en la calidad de datos son el argumento financiero para invertir en el programa de gobierno de datos.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: Data governance framework implementation — FMCG company, first formal program
The company has no formal data governance framework. Data quality problems generate $2.4M MXN/year in operational costs (billing errors, incorrect freight, stockouts from incorrect inventory data).
The company has no formal data governance framework. Data quality problems generate $2.4M MXN/year in operational costs (billing errors, incorrect freight, stockouts from incorrect inventory data).
| Framework element | Prior situation | Implementation |
|---|---|---|
| Data Ownership: assigning responsibility by data domain | No formal owner · Each system is IT's responsibility, not the business's | 4 Data Owners named: product master (Supply Chain Dir.), customer master (Commercial Dir.), supplier master (Procurement Dir.), transactional data (Finance Dir.) |
| Data Quality Rules: data quality validation rules | No formal rules · Problems detected when they cause operational errors | 82 data quality rules implemented in ERP and lakehouse · Automatic violation alerts to Data Stewards |
| Data Quality Scorecard: monthly data quality report by domain | No report · Data quality invisible to management | Monthly scorecard presented to Management Committee · Data Owners responsible for improvements |
Result: At 12 months: product master completeness 78% → 96%. Supplier master duplicate rate 14.8% → 2.4%. Operational costs from data quality problems: $2.4M → $0.6M MXN/year (−75%).
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: implementación de un marco de gobierno de datos — empresa de consumo masivo, primer programa formal
La empresa no tiene un marco formal de gobierno de datos. Los problemas de calidad de datos generan $2.4M MXN/año en costos operativos (errores de facturación, flete incorrecto, quiebres de inventario por datos de inventario incorrectos).
La empresa no tiene un marco formal de gobierno de datos. Los problemas de calidad de datos generan $2.4M MXN/año en costos operativos (errores de facturación, flete incorrecto, quiebres de inventario por datos de inventario incorrectos).
| Elemento del marco | Situación previa | Implementación |
|---|---|---|
| Data Ownership: asignación de responsabilidad por dominio de datos | Sin dueño formal · Cada sistema es responsabilidad de TI, no del negocio | 4 Data Owners nombrados: maestro de producto (Dir. de Supply Chain), maestro de clientes (Dir. Comercial), maestro de proveedores (Dir. de Compras), datos transaccionales (Dir. de Finanzas) |
| Data Quality Rules: reglas de validación de calidad de datos | Sin reglas formales · Los problemas se detectan cuando causan errores operativos | 82 reglas de calidad de datos implementadas en el ERP y el lakehouse · Alertas automáticas de incumplimiento a los Data Stewards |
| Data Quality Scorecard: reporte mensual de calidad de datos por dominio | Sin reporte · Calidad de datos invisible para la dirección | Scorecard mensual presentado al Comité de Dirección · Data Owners responsables de las mejoras |
Resultado: A 12 meses: completitud del maestro de producto 78% → 96%. Tasa de duplicados del maestro de proveedores 14.8% → 2.4%. Costos operativos por problemas de calidad de datos: $2.4M → $0.6M MXN/año (−75%).
07How it is measuredCómo se mide
Data Quality Score by Domain (data quality score by domain)›
Data Quality Score by Domain (data quality score by domain)
Weighted average of 4 quality dimensions (completeness, accuracy, consistency, timeliness) for each data domain · Scale 0–100
Benchmark: >90 data quality score points for critical supply chain data domains
⚠️ A data quality score <80 in the product master or supplier master indicates supply chain analytics and ML models are built on a data foundation with significant problems.
Data Issue Resolution Time (average resolution time for reported data quality issues)›
Data Issue Resolution Time (average resolution time for reported data quality issues)
Average time from data quality problem detection to correction in the system
Benchmark: <5 business days for critical data quality problems · <15 days for non-critical problems
🔑 Data issue resolution time measures data governance process agility. A data quality problem taking 60 days to resolve generates 60 days of incorrect analytics.
Data Quality Score by Domain (calificación de calidad de datos por dominio)›
Data Quality Score by Domain (calificación de calidad de datos por dominio)
Promedio ponderado de 4 dimensiones de calidad (completitud, exactitud, consistencia, oportunidad) para cada dominio de datos · Escala 0–100
Benchmark: >90 puntos de calidad de datos en los dominios críticos de supply chain
⚠️ Una calificación de calidad <80 en el maestro de producto o de proveedores indica que la analítica y los modelos de ML de supply chain están construidos sobre una base de datos con problemas significativos.
Data Issue Resolution Time (tiempo promedio de resolución de problemas de calidad de datos reportados)›
Data Issue Resolution Time (tiempo promedio de resolución de problemas de calidad de datos reportados)
Tiempo promedio desde la detección de un problema de calidad de datos hasta su corrección en el sistema
Benchmark: <5 días hábiles para problemas críticos de calidad de datos · <15 días para problemas no críticos
🔑 El tiempo de resolución mide la agilidad del proceso de gobierno de datos. Un problema de calidad que tarda 60 días en resolverse genera 60 días de analítica incorrecta.
08What you would useQué se usa
📌 Data Governance Platforms
Collibra / Alation›
Module: Data Catalog + Data Governance + Business Glossary
The reference data governance platforms. Collibra manages the data catalog, business glossary, master data change approval workflows, and data quality scorecard.
The reference data governance platforms. Collibra manages the data catalog, business glossary, master data change approval workflows, and data quality scorecard.
SAP MDG + SAP Information Steward›
Module: Data Governance in SAP Ecosystem
SAP MDG combines the master data change approval workflow with SAP Information Steward for real-time data quality measurement.
SAP MDG combines the master data change approval workflow with SAP Information Steward for real-time data quality measurement.
📌 Plataformas de gobierno de datos
Collibra / Alation›
Módulo: Catálogo de datos + gobierno de datos + glosario de negocio
Las plataformas de gobierno de datos de referencia. Collibra gestiona el catálogo de datos, el glosario de negocio, los flujos de aprobación de cambios a datos maestros y el scorecard de calidad de datos.
Las plataformas de gobierno de datos de referencia. Collibra gestiona el catálogo de datos, el glosario de negocio, los flujos de aprobación de cambios a datos maestros y el scorecard de calidad de datos.
SAP MDG + SAP Information Steward›
Módulo: Gobierno de datos en el ecosistema SAP
SAP MDG combina el flujo de aprobación de cambios a datos maestros con SAP Information Steward para medir la calidad de datos en tiempo real.
SAP MDG combina el flujo de aprobación de cambios a datos maestros con SAP Information Steward para medir la calidad de datos en tiempo real.
The bottom lineEn corto
Give every data domain a business owner and a monthly scorecard — quality follows accountability.
Da a cada dominio de datos un dueño de negocio y un scorecard mensual: la calidad sigue a la responsabilidad.
← PreviousAnteriorCustomer & supplier master data: golden records & deduplicationDatos maestros de clientes y proveedores: registros de oro y deduplicaciónNextSiguiente →GS1 standards, GTIN & supply chain data interoperabilityEstándares GS1, GTIN e interoperabilidad de datos de SC
All D12 componentsTodos los componentes de D12D12 artifactsArtifacts de D12SCRA