Modelo de madurez de la calidad de datos: una guía práctica para 2026

Su equipo probablemente conozca el patrón. Un panel se rompe justo antes de una revisión ejecutiva. Un KPI cambia, nadie puede explicar por qué, y el equipo de datos pasa el día rastreando combinaciones, programas de actualización y tablas de origen en lugar de entregar trabajo útil. Una función de aprendizaje automático se activa, y luego alguien nota que los datos de entrada cambiaron de forma hace dos días. La confianza cae más rápido de lo que se resuelve el problema.

Por lo general, esto no es un fallo de herramientas por sí solo. Es un problema de madurez. Los equipos a menudo tienen ingenieros inteligentes, analistas sólidos y plataformas costosas, pero no un modelo operativo compartido de lo que significan "buenos datos", cómo se miden y quién actúa cuando la calidad disminuye. Por eso es importante un modelo de madurez de calidad de datos. Les da a los Directores de Datos una forma de pasar de soluciones dispersas a un sistema que mejora la confiabilidad, la responsabilidad y la confianza empresarial con el tiempo.

Índice de contenidos

• Los costos ocultos de las prácticas de datos inmaduras

  • Cómo se ve la inmadurez en la práctica

  • Por qué esto perjudica los resultados empresariales

• Comprender el modelo de madurez de la calidad de datos

  • Por qué el modelo funciona en la práctica

  • Qué debe evaluar un modelo de madurez

• Las cinco etapas de la madurez de la calidad de datos

  • Cómo cambia la madurez la conversación empresarial

  • Características etapa por etapa

• Cómo evaluar su nivel de madurez actual

  • Comience con evidencia, no con opinión

  • Una lista de verificación práctica para la autoevaluación

• Construyendo su hoja de ruta hacia la excelencia basada en datos

  • Priorice por riesgo empresarial e impacto en las decisiones

  • Por qué el trabajo de las personas pertenece a la hoja de ruta

• Mapeo de niveles de madurez con las capacidades de las plataformas modernas

  • De etapas abstractas a controles operativos

  • Qué debe permitir una plataforma moderna en cada nivel

• Hacer de la madurez de datos una práctica continua

Los costos ocultos de las prácticas de datos inmaduras

El problema visible es el panel roto. El problema costoso es todo lo que sigue.

Cuando las prácticas de datos son inmaduras, los equipos trabajan en un bucle reactivo constante. Los analistas mantienen hojas de cálculo paralelas para "corregir" números supuestamente confiables. Los ingenieros agregan comprobaciones de una sola vez que solo tienen sentido para la persona que las escribió. Los equipos comerciales dejan de preguntar si una métrica es útil y comienzan a preguntar si es seguro creer en ella. Ese cambio es donde los programas de datos pierden impulso.

En una encuesta realizada a 196 organizaciones, el 91% aún no había alcanzado un nivel de madurez transformador en datos e información, lo que demuestra cuán comunes siguen siendo las prácticas reactivas y de alcance limitado, según Intelligent Data Strategies sobre la curva de madurez de calidad de datos. Por lo tanto, si su organización todavía trata la calidad de los datos como una secuencia de incidentes, no se está enfrentando a un fallo inusual. Está ante un estado operativo muy común.

Cómo se ve la inmadurez en la práctica

Un Director de Datos suele ver repetirse los mismos síntomas:

• Los informes están técnicamente disponibles pero socialmente desconfiados. Los equipos los consumen y luego los verifican manualmente antes de actuar.

• Los defectos de datos surgen de manera descendente. Ventas detecta un número incorrecto después de que se elabora el paquete para la junta directiva, no cuando cambió el origen.

• La propiedad es difusa. La gobernanza dice que la calidad importa, la ingeniería dice que el negocio debe definir las reglas y las operaciones asumen que alguien más está vigilando.

• El trabajo de mejora nunca obtiene financiamiento. Apagar fuegos siempre parece más urgente que la prevención.

Regla práctica: si su equipo pasa más tiempo explicando excepciones que mejorando los controles, la madurez es menor de lo que sugieren sus paneles.

Por qué esto perjudica los resultados empresariales

Las prácticas de datos inmaduras retrasan las decisiones. También distorsionan las prioridades. Los líderes financian más informes, más conciliaciones y más revisiones manuales porque pueden ver esos costos, mientras que la raíz del problema sigue sin resolverse.

El modelo de madurez de calidad de datos es útil porque replantea la conversación. En lugar de preguntar: "¿Por qué volvió a ocurrir este incidente?", se pregunta: "¿Qué capacidades faltan que hacen que este incidente sea predecible?" Esa es una pregunta mucho mejor para el presupuesto, la dotación de personal, la gobernanza y el diseño de la plataforma.

Comprender el modelo de madurez de la calidad de datos

Un Director de Datos suele encontrarse con el modelo de madurez después de una reunión familiar. Finanzas cuestiona un KPI que parecía estable el mes pasado. Operaciones dice que el origen cambió. Ingeniería dice que no se definió ninguna regla. La gobernanza señala una política que nadie utilizó en producción. El modelo importa porque convierte esa discusión en un diagnóstico operativo.

Un modelo de madurez de calidad de datos le brinda una forma estructurada de evaluar qué tan bien se gestiona la calidad en toda la organización y qué capacidad debería ser la siguiente. Utilizado correctamente, le ayuda a evitar dos errores comunes. Los equipos tratan la calidad como una serie de soluciones de una sola vez, o lanzan un programa empresarial que es mucho más amplio de lo que su disciplina operativa actual puede soportar.

Por qué el modelo funciona en la práctica

El valor del modelo es la secuenciación.

Si la organización todavía encuentra defectos a través de escaladas y comprobaciones de hojas de cálculo, la prioridad son los controles repetibles en los datos críticos. Si diferentes dominios ya ejecutan comprobaciones locales, la prioridad son las definiciones estandarizadas, la propiedad y los flujos de trabajo. Si esos estándares existen, la siguiente pregunta es si los equipos pueden medir el rendimiento, demostrar el cumplimiento y mejorar basándose en evidencia en lugar de opiniones.

Esa progresión parece obvia, pero muchos equipos de datos se saltan pasos. Compran herramientas diseñadas para un monitoreo avanzado antes de tener umbrales acordados. Publican estándares de gobernanza antes de que los propietarios de datos hayan aceptado las tareas de remediación. Crean cuadros de mando antes de que nadie confíe en las reglas subyacentes. Un modelo de madurez ayuda a prevenir ese tipo de extralimitación.

También crea un puente práctico entre la teoría y la implementación. En los programas reales, cada etapa debe asignarse a capacidades que se puedan activar, gobernar y medir en una plataforma como digna. De lo contrario, el modelo sigue siendo abstracto. El punto no es etiquetar a la organización. El punto es decidir qué controles, flujos de trabajo y responsabilidades deben existir en producción.

Qué debe evaluar un modelo de madurez

Los modelos sólidos miran más allá de las declaraciones de políticas. Prueban si la calidad se define, mide, posee y actúa en las operaciones diarias.

El Modelo de Madurez de Gestión de Calidad de Datos Empresariales, por ejemplo, utiliza una estructura de evaluación jerárquica con prácticas y medidas definidas, respaldada por encuestas, entrevistas, revisión de documentos y análisis de métricas de calidad, tal como se describe en el artículo de EMISA Journal sobre la evaluación de la madurez de la calidad de los datos empresariales. Ese es un estándar útil porque trata la madurez como un comportamiento observable, no como material de presentación.

En la práctica, una evaluación creíble debería mostrar:

• Cómo se define la calidad para los productos de datos y dominios críticos para el negocio

• Quién es el propietario de los umbrales, las excepciones y las decisiones de remediación

• Qué evidencia existe, incluidas las reglas, los metadatos, los incidentes y las métricas de rendimiento

• Cómo pasan los problemas de la detección a la resolución a través de un flujo de trabajo repetible

• Qué capacidades faltan y deben priorizarse a continuación

Una evaluación de madurez debe recompensar la disciplina operativa, no el volumen de documentación.

Los mejores modelos también crean un lenguaje común entre los equipos técnicos y de negocios. Los ingenieros de datos pueden vincular los incidentes con controles fallidos. Los líderes empresariales pueden vincular el mismo fallo con el riesgo de decisión, el retraso en los informes, el impacto en el cliente o la exposición al cumplimiento normativo. Esa visión compartida es donde la implementación se vuelve más fácil. Se vuelve mucho más sencillo justificar un motor de reglas, un flujo de trabajo de propiedad o una capa de monitoreo cuando todos pueden ver qué brecha de madurez cierra.

Las cinco etapas de la madurez de la calidad de datos

La mayoría de los modelos de madurez modernos siguen la estructura de cinco niveles establecida por el Modelo de Madurez de Capacidad fundacional: Inicial, Repetible, Definido, Gestionado y Optimizado, cada uno representando un grado diferente de disciplina, medición y automatización, como lo describe el resumen de NESTcc sobre las etapas del modelo de madurez.

Cómo cambia la madurez la conversación empresarial

En las etapas inferiores, el negocio pregunta: "¿Puedo confiar en este número ahora mismo?"
En las etapas superiores, pregunta: "¿Qué tan rápido podemos usar estos datos para mejorar el rendimiento?"

Ese es el cambio que se busca. La madurez de la calidad no se trata de datos perfectos. Se trata de hacer que la confianza sea operativa.

Características etapa por etapa

Aquí son importantes algunas observaciones prácticas.

En la etapa Inicial, los equipos a menudo creen que son más avanzados de lo que son porque tienen personas talentosas que realizan un trabajo de recuperación heroico. Las heroicidades no son madurez. Son un sustituto temporal de ella.

En la etapa Repetible, las organizaciones suelen crear valor rápidamente centrándose en un pequeño conjunto de conjuntos de datos o informes críticos. Durante esta etapa, la validación de reglas de negocio específicas y la propiedad clara de los problemas comienzan a dar frutos. La desventaja es la fragmentación. Un equipo mejora, otro sigue trabajando a ciegas.

En la etapa Definido, el modelo operativo se vuelve visible. Los propietarios de datos, administradores (data stewards), analistas e ingenieros saben qué comprobaciones existen y qué sucede cuando fallan. Esta etapa a menudo parece más lenta al principio porque la estandarización añade disciplina. En la práctica, reduce el tener que rehacer el trabajo.

Los equipos suelen subestimar cuánto mejora la confianza una vez que el manejo de problemas se vuelve predecible, incluso antes de que llegue la automatización completa.

En la etapa Gestionado, la calidad se vuelve medible de una manera que la dirección puede utilizar. Las líneas de tendencia importan. digna Timeliness importa. Los patrones de defectos importan. La organización deja de debatir si los incidentes son aislados y comienza a ver claramente los modos de fallo recurrentes.

En la etapa Optimizado, la automatización cierra la brecha entre la detección y la respuesta. Los controles siguen siendo diseñados por personas, pero las máquinas manejan una mayor parte del monitoreo de rutina, el aprendizaje de la línea de base y la detección de señales, lo que permite que el programa de calidad deje de depender de unos pocos expertos que recuerden cómo se veía lo "normal" el trimestre pasado.

Cómo evaluar su nivel de madurez actual

Un Director de Datos hace la misma pregunta a tres líderes: ¿qué tan bueno es nuestro proceso de calidad de datos? El gerente de ingeniería señala las pruebas de canalización. El líder de analítica señala las correcciones de informes recurrentes. El líder de operaciones señala las excepciones semanales manejadas por los analistas. Las tres respuestas pueden ser verdaderas, y la organización aún puede estar operando en un nivel de madurez más bajo de lo que supone el liderazgo.

La evaluación funciona solo cuando está vinculada a un comportamiento observable. El objetivo es identificar qué puede hacer la organización de manera repetida, a un costo aceptable, con los datos que más importan.

Comience con evidencia, no con opinión

Evalúe primero una porción estrecha. Elija los productos de datos que tengan consecuencias reales: informes de ingresos, decisiones sobre reclamaciones, comunicaciones con clientes, presentaciones regulatorias o las entradas que alimentan los paneles ejecutivos.

Luego pruebe la madurez en el orden en que los programas de calidad tienen éxito o fallan. Primero, identifique los elementos de datos críticos. Segundo, defina qué significa una calidad aceptable para esos elementos. Tercero, examine cómo se clasifican, asignan y resuelven los problemas. Cuarto, confirme que las comprobaciones y los controles se estén ejecutando de acuerdo con esos requisitos. Data Crossroads sobre la madurez de la gestión de datos para la calidad de los datos describe bien esta secuencia y coincide con lo que funciona en la práctica.

Ese orden importa porque muchos equipos compran monitoreo antes de tener reglas de nivel de decisión. El resultado es predecible: muchas alertas, poco acuerdo sobre qué merece una acción.

Una plataforma moderna como digna ayuda aquí porque obliga a que la evaluación salga de las presentaciones de diapositivas y entre en la evidencia operativa. Puede ver si existen reglas, si se ejecutan de manera consistente, si los incidentes tienen propietarios y si la calidad mejora con el tiempo.

Una lista de verificación práctica para la autoevaluación

Utilice estas preguntas con las partes interesadas de ingeniería, analítica, governance y negocio:

• Alcance de datos críticos: ¿Qué conjuntos de datos impulsan los ingresos, el cumplimiento normativo, la experiencia del cliente o las decisiones ejecutivas? Si la respuesta es "todo", el alcance sigue siendo demasiado amplio para evaluarlo bien.

• Claridad de las reglas: ¿Pueden los equipos describir cómo se ven los buenos datos en un lenguaje sencillo y traducir eso en comprobaciones ejecutables?

• Flujo de trabajo de problemas: Cuando aparece un incidente de calidad, ¿existe una ruta documentada para la clasificación, la propiedad, el análisis de causa raíz y la confirmación de la resolución?

• Disciplina de medición: ¿Están los equipos realizando un seguimiento de un pequeño conjunto de métricas de calidad de datos vinculadas al riesgo empresarial a lo largo del tiempo, o solo están reaccionando a los incidentes?

• Monitoreo operativo: ¿Están las comprobaciones integradas en las canalizaciones y cerca de los puntos de consumo clave, o solo aparecen durante las auditorías y las escalaciones?

• Soporte para la toma de decisiones: ¿Pueden los usuarios comerciales ver la salud de los datos en los que confían? Una buena práctica de generación de informes es importante aquí, y los equipos que necesiten fortalecer esa capa pueden aprender de Wonderment Apps sobre inteligencia empresarial.

• Adopción cultural: ¿Comprenden los usuarios comerciales los umbrales, las definiciones y el efecto de los datos deficientes, o la calidad todavía se trata como una tarea de soporte de ingeniería?

Pida artefactos, no garantías.

Un documento de política muestra la intención. Una biblioteca de reglas, el historial de alertas, el seguimiento de tickets, el registro de excepciones y el registro de remediación muestran que el proceso está operando. Si la organización no puede producir esos artefactos para un conjunto de datos crítico, la puntuación de madurez debe seguir siendo baja, sin importar qué tan confiables parezcan las partes interesadas.

Los talleres cortos suelen revelar la verdad más rápido que las encuestas largas. Reúna en la misma sala al propietario del conjunto de datos, al ingeniero que carga los datos, al analista que los transforma y al gerente que los utiliza. Pida a cada persona que defina el conjunto de datos, describa sus modos de fallo y explique qué sucede cuando disminuye la calidad. Si las respuestas difieren, la evaluación ya ha encontrado una brecha.

Aquí es también donde la capacidad de la plataforma se convierte en una prueba útil. Si digna puede mapear un conjunto de datos con reglas, propietarios, incidentes, umbrales e informes de tendencias sin una reconstrucción manual compleja, la organización está más cerca de Definido o Gestionado. Si esa información vive en hojas de cálculo, bandejas de entrada y conocimiento tribal, el nivel de madurez es más bajo, incluso si personas talentosas mantienen el negocio en funcionamiento.

Construyendo su hoja de ruta hacia la excelencia basada en datos

Una vez realizada la evaluación, comienza el trabajo esencial. Muchos programas suelen estancarse en esta etapa. Producen una puntuación de madurez, difunden una presentación de diapositivas y continúan. Eso es informar, no transformar.

Una hoja de ruta debe conectar las brechas de madurez con los resultados empresariales. Debe indicarle qué mejorar primero, quién es el propietario y cómo se medirá el progreso a lo largo del tiempo.

Priorice por riesgo empresarial e impacto en las decisiones

La hoja de ruta correcta no comienza con la lista de tareas pendientes más larga. Comienza con los modos de fallo de mayor consecuencia.

Para la mayoría de las organizaciones, eso significa clasificar las iniciativas mediante algunas preguntas prácticas:

1. ¿Qué problemas de datos pueden distorsionar las decisiones ejecutivas o las operaciones orientadas al cliente?

2. ¿Qué fallos se repiten con la suficiente frecuencia como para justificar controles estándar?

3. ¿Qué conjuntos de datos respaldan la analítica estratégica o los casos de uso de IA y, por lo tanto, necesitan garantías de confianza más sólidas?

4. ¿Qué mejoras son realistas en el próximo ciclo operativo?

Aquí es también donde importan las disciplinas adyacentes. Si su capa de informes es débil, las mejoras de calidad no serán visibles para quienes toman las decisiones. Los equipos que crean programas de analítica más sólidos a menudo se benefician de la orientación práctica sobre enfoques de visualización de datos e inteligencia empresarial de Wonderment Apps, especialmente cuando las métricas de calidad deben comunicarse claramente fuera del equipo de datos.

Por qué el trabajo de las personas pertenece a la hoja de ruta

Muchos programas de madurez invierten demasiado en controles y muy poco en el comportamiento. Eso es un error.

La dimensión de las Personas suele estar desatendida en los modelos de madurez, a pesar de que el 70% de las brechas de calidad de los datos se originan por errores humanos y desalineación de procesos, y las organizaciones con programas formales de alfabetización de datos logran una progresión de la madurez 3.5 veces más rápida, según la guía de Das42 para la evaluación de la madurez de los datos.

Eso tiene implicaciones directas en la hoja de ruta:

• Defina la propiedad claramente. Si la administración de datos (stewardship) es opcional, la remediación seguirá siendo lenta.

• Capacite a los usuarios no técnicos. Los equipos empresariales deben comprender las definiciones, los umbrales y las rutas de escalación.

• Vincule la calidad con los KPIs del negocio. El trabajo de calidad gana terreno cuando los líderes pueden conectarlo con las decisiones, la reducción de riesgos y la velocidad de entrega.

• Limite el alcance intencionalmente. Los lemas de transformación amplios crean fatiga. Los logros enfocados crean credibilidad.

Una hoja de ruta sólida es un plan operativo vivo. Evoluciona a medida que maduran los controles, los equipos aprenden y el negocio eleva el nivel de confiabilidad.

Mapping Maturity Levels to Modern Platform Capabilities

La teoría a menudo se rompe en la práctica. Los equipos entienden las etapas intelectualmente, pero no pueden traducir "Gestionado" u "Optimizado" en capacidades de plataforma, flujos de trabajo y controles operativos.

Esa brecha es real. Solo el 12% de las organizaciones han integrado con éxito las métricas de madurez en sus plataformas de data observability, lo que demuestra lo difícil que sigue siendo pasar de una evaluación estática a un governance operativo continuo, según el análisis de Monte Carlo sobre la curva de madurez de calidad de datos.

De etapas abstractas a controles operativos

Una plataforma moderna debe admitir diferentes niveles de madurez sin obligar a todos los equipos a realizar el mismo nivel de implementación desde el primer día.

En una madurez baja, necesita controles simples que reduzcan los errores evitables. En una madurez media, necesita coherencia y visibilidad compartida. En una madurez más alta, necesita monitoreo adaptable, análisis de tendencias y automatización que pueda escalar a través de canalizaciones cambiantes.

Eso significa mapear el modelo de madurez con las funciones reales de la plataforma:

• Capacidades de la etapa repetible: Validación a nivel de registro para reglas de negocio, delimitada a conjuntos de datos críticos.

• Capacidades de la etapa definida: Monitoreo de esquemas compartido, comprobaciones de puntualidad, umbrales documentados y visibilidad entre equipos.

• Capacidades de la etapa gestionada: Tendencias de métricas, patrones de incidentes, líneas de base medibles e informes de liderazgo.

• Capacidades de la etapa optimizada: Detección de anomalías asistida por IA, bucles de retroalimentación y monitoreo continuo integrado en las operaciones diarias.

Las evaluaciones estáticas le ayudan a etiquetar la madurez. Las plataformas operativas le ayudan a cambiarla.

Qué debe permitir una plataforma moderna en cada nivel

Una plataforma como digna hace concreto este mapeo porque sus componentes se alinean estrechamente con la forma en que progresan las organizaciones.

En la etapa Repetible, digna Data Validation admite reglas a nivel de registro definidas por el usuario. Esta es la opción adecuada cuando los equipos necesitan aplicar la lógica empresarial principal para activos específicos sin pretender que todo el patrimonio esté estandarizado. Es útil para tablas sensibles a auditorías, procesos regulados o defectos de calidad recurrentes donde ya existen reglas claras.

En la etapa Definido, digna Schema Tracker y digna Timeliness adquieren mayor importancia. La deriva del esquema (schema drift) y los datos que llegan tarde a menudo causan fallos descendentes mucho antes de que alguien los califique como un problema de calidad. Monitorear los cambios estructurales, la hora de entrega esperada y los patrones de retraso brinda a los equipos una capa de control estándar que múltiples dominios pueden compartir.

En la etapa Gestionado, digna Data Analytics agrega análisis de observabilidad histórica. Esta capacidad permite a las organizaciones maduras ir más allá de la mera detección de incidentes, revisando en su lugar las tendencias, identificando puntos débiles recurrentes y determinando qué controles requieren ajuste, simplificación o expansión.

En la etapa Optimizado, digna Data Anomalies es el puente desde los umbrales estáticos hacia el monitoreo adaptativo. Aprende el comportamiento normal con IA y métodos estadísticos, lo que ayuda a los equipos a detectar cambios inesperados sin tener que mantener manualmente un conjunto de reglas en constante crecimiento. Eso es especialmente relevante para grandes patrimonios de datos donde los umbrales fijos se vuelven frágiles.

Algunas elecciones arquitectónicas también importan operativamente:

• Ejecución en base de datos: El análisis se ejecuta dentro del entorno del cliente, lo que respalda los requisitos de nube privada y local al tiempo que reduce el movimiento innecesario de datos.

• Interfaz unificada: Los ingenieros, analistas y partes interesadas pueden inspeccionar las tendencias, la puntualidad, las anomalías y los cambios de esquema en un solo lugar.

• Idoneidad para empresas: Los almacenes, lagos de datos y canalizaciones complejas necesitan controles que funcionen a escala, no solo en un puñado de activos seleccionados.

Para los equipos que intentan elevar la base de habilidades de la organización junto con la madurez de la plataforma, la educación estructurada también tiene un lugar. Programas como un MBA en línea en ciencia de datos e IA de JAIN Online pueden ayudar a los líderes de datos a desarrollar la combinación de fluidez técnica y de gestión que exigen los programas de madurez.

La lección práctica es simple. No compre una plataforma porque afirme estar "impulsada por IA". Utilice una plataforma porque sus capacidades coinciden con la etapa de madurez en la que se encuentra y con la que necesita alcanzar a continuación.

Hacer de la madurez de datos una práctica continua

La madurez de los datos no es un proyecto que se completa. Es una disciplina de gestión que se mantiene en funcionamiento.

El ciclo es sencillo. Evaluar los controles actuales. Priorizar las brechas de mayor riesgo. Implementar la siguiente capa de capacidad de proceso y plataforma. Monitorear los resultados. Luego repetir. Los equipos que tratan la madurez de esta manera generan confianza de manera constante porque mejoran el sistema operativo detrás de los datos, no solo los síntomas que los rodean.

Eso también significa que el trabajo de calidad no puede estar separado de la arquitectura más amplia. Si sus canalizaciones, aplicaciones y pila de informes siguen fragmentadas, los controles también lo estarán. A muchas organizaciones les resulta útil fortalecer la capa de sistemas en paralelo, especialmente cuando necesitan integrar los sistemas comerciales de manera eficiente con una estrategia de plataforma más clara.

Los programas más confiables mantienen la calidad visible en las operaciones diarias, no solo en las revisiones trimestrales de governance. Eso requiere un monitoreo continuo de la calidad de los datos en los flujos de trabajo de producción, una propiedad clara y el hábito de revisar qué significa "bueno" a medida que cambia el negocio.

Comience más pequeño de lo que piensa. Elija datos críticos. Defina las reglas. Haga visibles los fallos. Desarrolle la capacidad. Las organizaciones de datos maduras no son las que tienen los documentos de marcos de referencia más gruesos. Son las que siguen mejorando el sistema todos los meses.

Si está listo para pasar de la evaluación periódica a la calidad de datos operativa, digna brinda a los equipos una forma práctica de detectar anomalías, validar registros, monitorear la puntualidad y realizar un seguimiento del cambio de esquema dentro de entornos controlados por el cliente. Está creado para organizaciones que quieren que la madurez de la calidad de los datos se muestre en producción, no solo en las diapositivas.