01What it isQué es
Master data management (MDM) is the discipline that keeps the reference records every transaction relies on — items, suppliers, customers and locations — accurate, unique and current, with defined standards, named owners and a controlled process to create and change them.
La gestión de datos maestros (MDM) es la disciplina que mantiene exactos, únicos y vigentes los registros de referencia de los que depende cada transacción —artículos, proveedores, clientes y ubicaciones—, con estándares definidos, dueños con nombre y un proceso controlado para crearlos y modificarlos.
02Why it mattersPor qué importa
A wrong lead time or unit of measure is read by MRP, procurement and the warehouse every day, so one bad record becomes hundreds of wrong decisions that look like execution failures. Poor data quality imposes operational, tactical and strategic costs that most enterprises do not see because the errors are diffused across processes (Redman, 1998 — Communications of the ACM), which is why master data has its own international quality standard (ISO 8000 — ISO).
Un lead time o una unidad de medida equivocados los leen el MRP, compras y el almacén todos los días, así que un solo registro malo se convierte en cientos de decisiones erróneas que parecen fallas de ejecución. La mala calidad de datos impone costos operativos, tácticos y estratégicos que la mayoría de las empresas no ve porque los errores se diluyen entre procesos (Redman, 1998 — Communications of the ACM); por eso los datos maestros tienen su propia norma internacional de calidad (ISO 8000 — ISO).
03How it is doneCómo se hace
1
Audit the critical fields. Measure accuracy of lead times, units of measure, BOMs and ship-to addresses against supplier and customer reality, not against the system itself.
2
Name a business owner. Assign a data steward from procurement, planning or sales to each master data domain, with accuracy in their objectives.
3
Block errors at entry. Enforce validation rules and a controlled create-change-deactivate workflow so bad records never reach MRP.
1
Audita los campos críticos. Mide la exactitud de lead times, unidades de medida, BOM y direcciones de entrega contra la realidad de proveedores y clientes, no contra el propio sistema.
2
Nombra un dueño del negocio. Asigna un custodio de datos de compras, planeación o ventas a cada dominio de datos maestros, con la exactitud en sus objetivos.
3
Bloquea errores en la captura. Aplica reglas de validación y un flujo controlado de alta, cambio y baja para que los registros malos nunca lleguen al MRP.
04The concept in depthEl concepto a fondo
What SC master data is — and why bad master data causes operational failures›
Supply chain master data is the foundational reference data that every SC transaction depends on: item master (SKU codes, descriptions, units of measure, lead times), vendor master (supplier codes, payment terms, delivery locations), customer master (ship-to addresses, service level agreements, order parameters), and location master (DC codes, zone definitions, storage parameters). Bad master data causes operational failures that look like execution problems: orders routed to wrong addresses (bad customer master), wrong quantities ordered (wrong UOM in item master), incorrect replenishment triggers (wrong lead times), and MRP explosions to wrong materials (wrong BOM). The root cause is invisible — the execution failure is visible.
The 5 most costly SC master data failures›
(1) Wrong lead time in item master: MRP plans to a lead time that does not reflect supplier reality — generating systematic late deliveries or excess safety stock. (2) Duplicate vendor codes: payments made to duplicate supplier records, creating accounting reconciliation failures and compliance risk. (3) Wrong UOM in item master: ordered 100 "each" when the supplier ships in "case of 12" — generating 12× the planned inventory. (4) Inactive SKU codes in active BOM: MRP generates requirements for discontinued components — generating confusion and rework in procurement. (5) Wrong DC address in customer master: shipments routed to closed or wrong customer locations — generating OTIF failures that are not carrier failures.
Master data governance: the 3 dimensions of a functional MDM program›
(1) Data standards: defined rules for how each master data element must be formatted, encoded, and maintained — preventing the 47 variants of "Supplier A" from existing simultaneously. (2) Data stewardship: named owners for each data domain, accountable for accuracy, completeness, and currency. (3) Change management: a defined process for creating, modifying, and deactivating master data records — preventing ad-hoc changes that break downstream processes.
Intermediate vs. Advanced›
Intermediate: follows master data standards; identifies and escalates data quality issues; participates in data stewardship reviews.
Advanced: designs the MDM governance framework; implements data quality monitoring; leads master data migration projects; governs data standards across the ERP ecosystem.
Advanced: designs the MDM governance framework; implements data quality monitoring; leads master data migration projects; governs data standards across the ERP ecosystem.
Qué son los datos maestros de SC y por qué los datos maestros malos provocan fallas operativas›
Los datos maestros de supply chain son los datos de referencia de los que depende cada transacción de SC: maestro de artículos (códigos SKU, descripciones, unidades de medida, lead times), maestro de proveedores (códigos de proveedor, condiciones de pago, puntos de entrega), maestro de clientes (direcciones de entrega, acuerdos de nivel de servicio, parámetros de pedido) y maestro de ubicaciones (códigos de CEDIS, definición de zonas, parámetros de almacenamiento). Los datos maestros malos provocan fallas operativas que parecen problemas de ejecución: pedidos enviados a direcciones equivocadas (maestro de clientes incorrecto), cantidades mal pedidas (unidad de medida errónea en el maestro de artículos), disparadores de reabastecimiento incorrectos (lead times equivocados) y explosiones de MRP hacia materiales erróneos (lista de materiales, BOM, incorrecta). La causa raíz es invisible; la falla de ejecución es la que se ve.
Las 5 fallas de datos maestros de SC más costosas›
(1) Lead time incorrecto en el maestro de artículos: el MRP planea con un lead time que no refleja la realidad del proveedor, lo que genera entregas tardías sistemáticas o inventario de seguridad excesivo. (2) Códigos de proveedor duplicados: pagos a registros duplicados del mismo proveedor, que crean fallas de conciliación contable y riesgo de cumplimiento. (3) Unidad de medida (UOM) incorrecta en el maestro de artículos: se piden 100 “piezas” cuando el proveedor envía en “caja de 12”, lo que genera 12 veces el inventario planeado. (4) Códigos SKU inactivos en una BOM activa: el MRP genera requerimientos de componentes descontinuados, lo que provoca confusión y retrabajo en compras. (5) Dirección de CEDIS incorrecta en el maestro de clientes: envíos dirigidos a ubicaciones cerradas o equivocadas, lo que genera fallas de OTIF que no son culpa del transportista.
Gobernanza de datos maestros: las 3 dimensiones de un programa de MDM funcional›
(1) Estándares de datos: reglas definidas sobre cómo debe formatearse, codificarse y mantenerse cada elemento de dato maestro, para evitar que existan al mismo tiempo 47 variantes de “Proveedor A”. (2) Custodia de datos (data stewardship): dueños con nombre para cada dominio de datos, responsables de su exactitud, integridad y vigencia. (3) Gestión del cambio: un proceso definido para crear, modificar y desactivar registros maestros, que evite cambios improvisados que rompen los procesos posteriores.
Intermedio vs. Avanzado›
Intermedio: sigue los estándares de datos maestros; identifica y escala problemas de calidad de datos; participa en las revisiones de custodia de datos.
Avanzado: diseña el marco de gobernanza de MDM; implementa el monitoreo de calidad de datos; lidera proyectos de migración de datos maestros; gobierna los estándares de datos en todo el ecosistema ERP.
Avanzado: diseña el marco de gobernanza de MDM; implementa el monitoreo de calidad de datos; lidera proyectos de migración de datos maestros; gobierna los estándares de datos en todo el ecosistema ERP.
05In practiceEn la práctica
Never launch an ERP implementation without a master data migration audit — bad data migrated to a new system is bad data in a faster system›
ERP migrations amplify master data quality problems — the new system executes bad data faster and at greater scale. A master data quality audit and cleanup must be a dedicated work stream in every ERP implementation, not an afterthought in the go-live checklist.
Assign data stewards to each master data domain and include data accuracy in their performance objectives›
Master data governance fails when it is owned by IT as a technical problem. Data stewards from the business — procurement for vendor master, supply chain for item master, sales for customer master — with performance accountability for data accuracy are the governance model that works.
Implement automated master data validation rules at the point of entry — not in a downstream quality report›
A validation report that identifies master data errors 30 days after entry is a correction process, not a prevention process. Automated validation at the point of entry — rejecting records that do not meet defined standards — prevents the error from entering the system in the first place.
Nunca arranques una implementación de ERP sin una auditoría de migración de datos maestros: los datos malos migrados a un sistema nuevo siguen siendo datos malos, solo que en un sistema más rápido›
Las migraciones de ERP amplifican los problemas de calidad de datos maestros: el nuevo sistema ejecuta los datos malos más rápido y a mayor escala. La auditoría y depuración de datos maestros debe ser un frente de trabajo dedicado en toda implementación de ERP, no un pendiente de último minuto en la lista de go-live.
Asignar custodios de datos a cada dominio de datos maestros e incluir la exactitud de los datos en sus objetivos de desempeño›
La gobernanza de datos maestros fracasa cuando TI la asume como un problema técnico. El modelo que funciona son custodios de datos del negocio —compras para el maestro de proveedores, supply chain para el maestro de artículos, ventas para el maestro de clientes— con responsabilidad de desempeño sobre la exactitud de los datos.
Implementar reglas automáticas de validación de datos maestros en el punto de captura, no en un reporte de calidad posterior›
Un reporte de validación que detecta errores 30 días después de la captura es un proceso de corrección, no de prevención. La validación automática en el punto de captura —que rechaza los registros que no cumplen los estándares definidos— impide que el error entre al sistema desde el principio.
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: Item master data cleanup — manufacturer, ERP migration 2023
| Data quality issue | Operational impact | Resolution |
|---|---|---|
| 3,847 active item codes with incorrect lead times (avg. 6-day error vs. actual supplier LT) | MRP generating systematic late deliveries — OTIF 84% vs. 94% target · Root cause took 6 months to identify | Lead time audit and correction · Automated lead time validation against supplier ASN data · Monthly accuracy review |
| 218 duplicate vendor codes (same supplier with 2–4 different codes) | Spend visibility understated by 34% for 12 supplier groups · Preferred supplier program excluded duplicate-coded spend | Vendor master deduplication · Golden record merge · AP process updated to prevent future duplicates |
Result: Master data cleanup enabled accurate OTIF root cause analysis for the first time — the "execution failure" was a data quality failure invisible in all previous analyses. OTIF recovered to 93.2% within 3 months of lead time data correction.
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: depuración del maestro de artículos — fabricante, migración de ERP 2023
| Problema de calidad de datos | Impacto operativo | Solución |
|---|---|---|
| 3,847 códigos de artículo activos con lead times incorrectos (error promedio de 6 días vs. el lead time real del proveedor) | MRP generando entregas tardías sistemáticas: OTIF de 84% vs. meta de 94% · Identificar la causa raíz tomó 6 meses | Auditoría y corrección de lead times · Validación automática de lead times contra los datos de ASN del proveedor · Revisión mensual de exactitud |
| 218 códigos de proveedor duplicados (el mismo proveedor con 2 a 4 códigos distintos) | Visibilidad del gasto subestimada en 34% para 12 grupos de proveedores · El programa de proveedores preferentes excluía el gasto con códigos duplicados | Deduplicación del maestro de proveedores · Fusión en un registro maestro único (golden record) · Proceso de cuentas por pagar actualizado para evitar duplicados futuros |
Resultado: La depuración de datos maestros permitió por primera vez un análisis confiable de la causa raíz del OTIF: la “falla de ejecución” era una falla de calidad de datos, invisible en todos los análisis previos. El OTIF se recuperó a 93.2% en los 3 meses posteriores a la corrección de lead times.
07How it is measuredCómo se mide
Master Data Accuracy Rate % (% of master data records with no material errors)›
Master Data Accuracy Rate % (% of master data records with no material errors)
(Master data records with all mandatory fields correct and current / Total active master data records) × 100
Benchmark: >98% accuracy is a common target for item, vendor, and customer master in mature MDM programs · <95% usually indicates systemic governance gaps
⚠️ A 95% item master accuracy rate means 1 in 20 active SKUs has a material error. In a 10,000 SKU portfolio, that is 500 SKUs generating wrong MRP requirements, wrong POs, or wrong deliveries — daily.
Tasa de exactitud de datos maestros % (% de registros maestros sin errores relevantes)›
Tasa de exactitud de datos maestros % (% de registros maestros sin errores relevantes)
(Registros maestros con todos los campos obligatorios correctos y vigentes / Total de registros maestros activos) × 100
Referencia: >98% de exactitud es una meta común para los maestros de artículos, proveedores y clientes en programas de MDM maduros · <95% suele indicar brechas sistémicas de gobernanza
⚠️ Una exactitud de 95% en el maestro de artículos significa que 1 de cada 20 SKU activos tiene un error relevante. En un portafolio de 10,000 SKU, son 500 SKU que generan requerimientos de MRP, órdenes de compra o entregas equivocadas, todos los días.
08What you would useQué se usa
📌 Master Data Management Platforms
SAP MDG (Master Data Governance) / Oracle MDM›
Module: Enterprise MDM
SAP MDG and Oracle MDM are the reference platforms for enterprise-scale master data governance — providing data quality rules, stewardship workflows, deduplication, and change management for the full SC master data domain.
SAP MDG and Oracle MDM are the reference platforms for enterprise-scale master data governance — providing data quality rules, stewardship workflows, deduplication, and change management for the full SC master data domain.
Informatica MDM / Reltio›
Module: Cloud-Native MDM
Informatica MDM (Informatica is now part of Salesforce) and Reltio provide cloud-native master data management with AI-powered deduplication, data quality monitoring, and cross-system synchronization for complex multi-ERP environments.
Informatica MDM (Informatica is now part of Salesforce) and Reltio provide cloud-native master data management with AI-powered deduplication, data quality monitoring, and cross-system synchronization for complex multi-ERP environments.
📌 Plataformas de gestión de datos maestros
SAP MDG (Master Data Governance) / Oracle MDM›
Módulo: MDM empresarial
SAP MDG y Oracle MDM son plataformas de referencia para la gobernanza de datos maestros a escala empresarial: ofrecen reglas de calidad de datos, flujos de custodia, deduplicación y gestión de cambios para todo el dominio de datos maestros de SC.
SAP MDG y Oracle MDM son plataformas de referencia para la gobernanza de datos maestros a escala empresarial: ofrecen reglas de calidad de datos, flujos de custodia, deduplicación y gestión de cambios para todo el dominio de datos maestros de SC.
Informatica MDM / Reltio›
Módulo: MDM nativo en la nube
Informatica MDM (Informatica ahora forma parte de Salesforce) y Reltio ofrecen gestión de datos maestros nativa en la nube, con deduplicación basada en IA, monitoreo de calidad de datos y sincronización entre sistemas para entornos complejos con varios ERP.
Informatica MDM (Informatica ahora forma parte de Salesforce) y Reltio ofrecen gestión de datos maestros nativa en la nube, con deduplicación basada en IA, monitoreo de calidad de datos y sincronización entre sistemas para entornos complejos con varios ERP.
The bottom lineEn corto
Fix the record once at the source, or pay for the same error in every system, every day.
Corrige el registro una vez en el origen, o paga el mismo error en cada sistema, todos los días.
← PreviousAnteriorPredictive analytics and ML forecasting: moving beyond statistical baselinesAnalytics predictivo y pronóstico ML: más allá de las bases estadísticasNextSiguiente →SC data architecture and data lakehouse: enabling analytics at enterprise scaleArquitectura de datos de SC y data lakehouse: habilitando analytics a escala empresarial
All D16 componentsTodos los componentes de D16D16 artifactsArtifacts de D16SCRA