Estamos trabajando en configuraciones out of the box para todas las extensiones del estándar DCAT‑AP —como Salud, Geoespacial, Estadística o Energía—, con el objetivo de que cualquier organización pueda activar una solución completa sin necesidad de programar. Gracias a la colaboración con DQTeam, ya está disponible la primera de estas configuraciones: Health DCAT‑AP, diseñada para gobernar catálogos de datos abiertos y espacios de datos sanitarios de forma sencilla, interoperable y conforme al perfil europeo.

Alianza estratégica con nuestros partners. Objetivo: de la norma a la acción

Gracias al trabajo conjunto con DQTeam, hemos definido y parametrizado una solución en Anjana Data que permite a nuestros clientes:

• Poner en marcha una gobernanza 100% alineada con estándares DCAT‑AP y su extensión sanitaria Health DCAT‑AP
  
• Configurar los roles oficiales definidos por Health DCAT‑AP (publisher, creator, rights holder, contact point…)
  
• Activar plantillas completas de metadatos para datasets, distribuciones y catálogos
  

Todo esto bajo una nomenclatura técnica y funcional completamente alineada con el estándar, asegurando interoperabilidad total entre instituciones, regiones y plataformas europeas.

Listo para desplegar: sin código, sin fricción

La solución cuenta con un kit de configuración out of the box que permite:

• Implantaciones en tiempo récord
• Sin necesidad de programación
• Plantillas personalizables para adaptar los metadatos a las necesidades específicas de cada organización

Anjana Data permite empezar con una configuración base y evolucionar según las necesidades de gobierno del dato.

Interoperabilidad real: APIs abiertas + federación de metadatos

Anjana Data ha sido diseñada con una arquitectura 100% interoperable, lo que permite:

• Compartir y federar metadatos entre diferentes instancias o versiones del Health DCAT‑AP
  
• Llevar la lógica de transformación a donde debe estar: plugins y procesos que consumen APIs
  
• Integrarse con portales externos, catálogos públicos y espacios de datos sectoriales, sin fricciones
  

Todo gracias a su API REST documentada con Swagger y a sus kits de desarrollo de plugins, pensados para entornos heterogéneos.

Una interfaz para gobernar tus portales de datos abiertos

Más allá del back-end técnico, Anjana Data ofrece una interfaz sencilla, intuitiva y orientada a usuarios de negocio, donde es posible:

• Inventariar datasets, distribuciones y catálogos
  
• Gestionar portales de datos abiertos, espacios de datos sectoriales o redes federadas
  
• Localizar y aplicar filtros para localizar y acceder a distribuciones reales

¿Quieres verlo en acción?

Aquí tienes una demo práctica de cómo se configura y se utiliza la solución basada en Health DCAT‑AP dentro de Anjana Data, con una experiencia completa de búsqueda, filtrado, exploración de metadatos y descarga de datos desde un dataset interoperable:

📺 Ver vídeo en YouTube – Demo Health DCAT‑AP con DQTeam y Anjana Data

¿Listo para gobernar tus datos con estándares europeos?

Si tu organización quiere alinear su estrategia de datos con DCAT‑AP, DAMA, UNE o la Data Act, ahora puedes hacerlo de forma inmediata y sin desarrollo, con un enfoque modular, extensible y 100% interoperable.

👉 Contacta con nosotros para conocer cómo activar esta configuración en tu entorno o probar una demo personalizada.

El Knowledge Marketplace en el IFT es ya una realidad tangible y transformadora. En un contexto donde los datos crecen sin control y las decisiones estratégicas dependen de información fiable, el Instituto Federal de Telecomunicaciones de México ha conseguido estructurar su conocimiento interno, haciéndolo accesible, gobernado y orientado al valor.

Gracias a Anjana Data, el IFT ha pasado de no tener ningún activo gobernado a crear, en solo 10 semanas, un Knowledge Marketplace completo. Un entorno donde los datos se convierten en conocimiento accionable, disponible para todos los perfiles y alineado con la visión estratégica de la organización.

Este hito no solo marca el inicio de una nueva cultura data-driven, sino que demuestra cómo una institución pública puede generar impacto real y temprano mediante un ecosistema moderno de Gobierno del Dato centrado en la democratización del conocimiento empresarial.

De cero a Knowledge Marketplace: el IFT da un salto exponencial con Anjana Data

El IFT no partía de una base madura de gobierno del dato. Partía de cero: sin un catálogo centralizado, sin flujos de gestión definidos, sin estructura semántica ni mecanismos estandarizados de acceso. Lo habitual sería comenzar poco a poco, con un catálogo técnico básico o un primer Data Marketplace. Pero IFT apostó por dar un salto estratégico ambicioso: construir desde el inicio un verdadero Knowledge Marketplace.

Gracias a Anjana Data, ese salto ha sido posible y exitoso:

• Se construyó un catálogo inteligente y gobernado con más de 130 activos de datos e información en tan solo 10 semanas.
• Se desarrolló un glosario de negocio vivo, que vincula conceptos organizativos con activos técnicos para facilitar el entendimiento transversal.
• Se habilitaron flujos de trabajo de gobierno, asegurando compliance, trazabilidad, versionado y auditoría.
• Se implementó una experiencia tipo eCommerce, donde cualquier usuario puede encontrar, entender y solicitar el conocimiento que necesita.

El resultado: un entorno donde el dato se convierte en conocimiento útil, con contexto, gobernanza y propósito, preparado para ser accionado por todas las áreas de la organización.

➡️ ¿Quieres saber más sobre el concepto de Knowledge Marketplace? Aquí te lo contamos en detalle.

Ejecución impecable, resultados medibles

Este ambicioso proyecto se desplegó con rapidez y eficacia gracias a tres claves:

• Tecnología flexible y escalable (Anjana Data) que se adaptó a las necesidades organizativas y técnicas del IFT.
• Un equipo implantador experto (Management Solutions), con conocimiento profundo de la plataforma y las mejores prácticas de gobierno del dato.
• Una gestión de proyecto ágil y empoderada por parte del IFT, con un Project Manager clave para eliminar bloqueos y acelerar decisiones.

Los logros hablan por sí solos:

• +130 activos gobernados
• Casos de uso de valor estratégico activados al cierre del proyecto
• Gobernanza implementada en todos los niveles: técnico, semántico, operativo y organizativo
• Participación activa de todas las áreas clave: seguridad, redes, negocio y TI

El impacto: mucho más que datos bien gestionados

El IFT no solo ha estructurado sus activos de información: ha puesto en marcha una nueva cultura basada en el dato y el conocimiento compartido, que:

• Fomenta la soberanía del dato sin frenar el acceso.
• Reduce la barrera de entrada a la información.
• Democratiza el uso del conocimiento en toda la organización.
• Asegura el cumplimiento normativo y la trazabilidad.

Este proyecto es la prueba real de que el Gobierno del Dato no tiene que ser lento ni complejo. Con la visión adecuada y las herramientas correctas, se puede pasar de cero a estratégico en cuestión de semanas.

¿Te interesa conocer todos los detalles?

Descarga aquí el caso de éxito completo y descubre cómo el IFT ha logrado transformar su ecosistema de datos en un Knowledge Marketplace con Anjana Data.

📩 ¿Quieres dar este salto en tu organización?
Contáctanos en info@anjanadata.com, estaremos encantados de ayudarte a diseñar tu camino hacia un gobierno del dato moderno, ágil y generador de valor.

Desde Anjana Data tenemos el placer de comunicar que seguimos creciendo y cumpliendo todas las expectativas que teníamos previstas. Hace más de un año firmamos un acuerdo de colaboración con Microsoft, y después de mucho esfuerzo tenemos el placer de comunicar que nuestra solución para el Gobierno del Dato, diseñada para ayudar a las organizaciones en la implementación de su estrategia de datos en la era Big Data, Multi-Cloud y Data-Driven ya está disponible en el Marketplace de Azure y en App Source de Microsoft. 

Pero, ¿qué son el Marketplace de Azure y App Source de Microsoft? Pues bien, ambos se tratan de tiendas online que contienen miles de aplicaciones y servicios de software de TI creados por proveedores de tecnología. Tanto en el Marketplace como en App Source, los usuarios de Azure tienen la oportunidad de encontrar, probar y comprar soluciones certificadas y adaptadas para satisfacer las necesidades de las organizaciones. Para Anjana Data, aparecer en estos ecosistemas significa poder ofrecer directamente a cualquier organización del mundo que trabaje sobre Azure nuestra solución diferencial, innovadora y disruptiva de Gobierno del Dato.

Desde el punto de vista técnico, el valor añadido de Anjana Data para las organizaciones que usan Azure y sus tecnologías nativas de Cloud como plataforma de datos consiste en ofrecer una solución de Gobierno del Dato enterprise-ready, con una arquitectura de última generación, orientada a microservicios, modular y robusta, la cual habilita alta disponibilidad y balanceo de carga de forma nativa y transparente, compatible con multitud de tipologías de despliegue y automatización del mismo entre las que cabe destacar Azure Kubernetes Service y Azure Resource Manager, conservando adicionalmente compatibilidad con despliegues basados en distribución de binarios.

Y desde un punto de vista más funcional, además de todas las bondades que ofrece Anjana Data, para Azure incorpora una integración extendida de forma nativa sobre las principales tecnologías de almacenamiento, procesamiento y explotación de datos de Azure (Data Factory, Data Lake Storage, Blob Storage, Azure SQL, Databricks, PowerBI, …) así como sobre Azure AD. Todo esto permite a la organización implantar un Gobierno del Dato proactivo y preventivo sobre su ecosistema de datos, gracias al cual se pueden construir casos de uso avanzados de gobierno del dato como la creación de un “Data Marketplace” o lograr el “Autoservicio gobernado de datos”.

Adicionalmente, desde Anjana Data hemos incluido en nuestro Roadmap una serie de integraciones sobre Azure Purview, por lo que nuestra solución se postula también como el complemento perfecto para aquellas organizaciones que estén pensando en incorporar Azure Purview como Catálogo de Datos de su plataforma Azure o que trabajan en un entorno híbrido o multi-Cloud y necesitan una visión más holística y transversal de su ecosistema de datos junto con una serie de funcionalidades avanzadas y características de valor añadido para la implantación de un gobierno del dato efectivo y eficiente en toda la organización.

Por último, la incorporación de la solución Anjana Data en este espacio online supone un paso más en la colaboración estratégica con Microsoft, la cual empezó con la incorporación de la compañía en el exclusivo programa a nivel mundial Microsoft for Startups hace más de un año y el cual se ha renovado recientemente por otro año más. Desde el momento inicial, la importancia de nuestra colaboración estaba basada en definir un roadmap de integración de Anjana Data con las tecnologías nativas de la cloud de Azure, establecer una visión conjunta de Gobierno del Dato proactivo y preventivo para las organizaciones que quieren ir un paso más allá en su estrategia data-driven y tener acceso a una serie de servicios de Azure. Además, como partner de Microsoft, también tendremos la posibilidad de comercializar nuestra solución de forma conjunta.

Conocer el linaje de los datos es muy importante desde el punto de vista de gobierno del dato para:

• Saber cómo fluye la información a lo largo y ancho de la organización
• Entender la cadena de valor de los datos y sus procesos
• Conocer el ciclo de vida de los activos de datos y saber cómo se están generando
• Visualizar las dependencias entre activos de datos y procesos para gestionar los posibles impactos generados por cambios y modificaciones
• Facilitar la búsqueda de errores de procesos, problemas de calidad, degradaciones del servicio, etc

El linaje del dato se presenta de muchas formas y quizás una de las más conocidas se corresponde con el linaje técnico. Es decir, conocer, desde el punto de vista técnico, como se mueven los datos de un sitio a otro a través de los procesos que se ejecutan sobre ellos, bien sea de forma automática o manual.

Sin embargo, hay que tener en cuenta que, por mucho que se trate de linaje técnico, esta información tiene que ser de utilidad para el gobierno del dato. Así, para que la información del linaje sea valiosa, esta tiene que ser interpretable y, en la gran mayoría de ocasiones, una ristra de logs de actividad que escupe una máquina sirve más bien de poco. Es por ello que lo más común es que el linaje técnico haya que capturarlo, interpretarlo y traducirlo para que pueda servir de algo.

Obtención del linaje

En este contexto, para poder obtener el linaje técnico de los procesos que mueven los datos de un sitio a otro podemos apoyarnos en varias técnicas:

• Extraer linaje a través de la identificación o inferencia de relaciones entre objetos, las cuales vienen declaradas en forma de metadatos: Esto suele ser típico de ETLs que funcionan con parametría y definen por metadatos todos los procesos que se van a ejecutar.
• Extraer linaje a través del parseo de código fuente: Es una tarea nada sencilla y su complejidad depende mucho tanto del lenguaje de programación (no es lo mismo SQL que Java) como del programador que ha realizado el código (según las funciones, métodos o variables que se usen). Dado que aquí entramos en terreno fanganoso y nos podemos encontrar cualquier cosa, lo único que es seguro es que normalmente la garantía que se puede ofrecer en estas situaciones es muy baja y en la gran mayoría de los casos se tiene que asumir un gap importante.
• Extraer linaje a partir de la recuperación e interpretación de logs de auditoría: Es a lo que en Anjana Data llamamos linaje dinámico y en muchos casos es la única forma de poder obtener una traza lo más completa posible pese a que sólo vas a poder capturar aquello que se ejecute. Para poder implementar este caso es necesario llevar a cabo una integración nativa con plataformas de datos y tecnologías para entender cómo sirven los logs, saber de dónde y cómo recuperarlos y finalmente poder interpretar la información capturada que, por lo general, tiene que ser traducida para que sea valiosa.

Adicionalmente, dada la variabilidad de lenguajes, plataformas, tecnologías, etc, el espectro que nos encontramos se hace demasiado grande como para abarcarlo por completo. Es por eso que, cuando hablamos de linaje, normalmente hay que buscar compromisos y se suele aplicar la Ley de Pareto, sobre todo en algunos escenarios particulares.

Spark y el linaje de datos

Como ya hemos visto, no todas las tecnologías de procesamiento de datos nos facilitan las cosas a la hora de obtener el linaje interno de sus procesos y, entre todas estas, Spark es una de las que ocupa los primeros puestos en cuanto a complejidad.

Spark es una tecnología open-source de procesamiento distribuido que ofrece un mayor aprovechamiento de las posibilidades de los clústeres distribuidos de datos y, al ser un proyecto open-source, se pueden encontrar diferentes distribuciones ofrecidas por distintos proveedores de tecnología como, por ejemplo, Cloudera, AWS EMR, GCP DataProc o Databricks, la más famosa de ellas, la cual además se ofrece de forma nativa por Microsoft en su nube de Azure.

Una de las características más particulares de Spark reside en que no tiene almacenamiento propio, sino que usa la memoria de las máquinas que forman el clúster donde se ejecuta y es capaz de recuperar los datos desde distintos tipos de almacenamientos como, por ejemplo, HDFS, S3, Cloud Storage, Blob Storage, etc o también de sistemas de streaming como Kafka.

En este sentido, Spark distribuye, en periodo de ejecución, las tareas por los distintos nodos del clúster usando la memoria y los procesadores de las diferentes máquinas. Es por ello que, por su propia definición, se antoja complicado el pensar en obtener una traza completa de los procesos ejecutados y que mueven o transforman datos. Además, esto no es algo que se resuelva de forma completa y nativa en ninguna de las implementaciones actuales de Spark, pues todas ellas están pensadas y optimizadas para el procesamiento de los datos y no para el gobierno de estos.

Cuando hablamos de gobierno del dato y Spark aparece en la foto como tecnología involucrada, la gran mayoría de profesionales se llevan las manos a la cabeza o asumen un gap importante. Ciertamente, la activación de la captura de logs a bajo nivel nos puede proporcionar mucha información sobre los procesos, pero también penaliza el rendimiento, por tanto hay que buscar una solución de compromiso.

Obtención del linaje de Spark con Anjana Data

Como hemos visto, obtener la traza de los procesos de Spark no es tarea sencilla, principalmente por los siguientes motivos:

• Al no tener almacenamiento propio, los metadatos que se pueden obtener de los procesos de Spark en reposo son nulos. En periodo de no ejecución, lo máximo que podemos obtener será los metadatos de los datasets que puedan participar en esos procesos como entradas o salidas de los mismos pero no podemos saber nada acerca de qué pasa entre medias o cómo se generan los datos de salida a partir de los datos de entrada.
• La forma en la que Spark codifica el tratamiento de los datasets, ya sean en un RDD o un Dataset de Spark, puede estar escrita en varios lenguajes (Scala, Java, Python) y las operaciones se pueden enmascarar según la codificación. Por tanto, no es viable la opción de parsear código fuente para obtener traza cuando estamos hablando de Spark.
• La información que se puede obtener a partir de los logs de ejecución no es completa en ningún caso o bien no es interpretable y depende en gran medida tanto de la distribución de Spark como de la configuración de auditoría. En muchos casos, lo máximo que se puede obtener es la relación entrada-salida a punto gordo o, en otras ocasiones, la cantidad de logs a interpretar va a ser inasumible.

Sin embargo, gracias al enfoque y la implementación de Anjana Data, se puede conseguir una foto bastante fehaciente y con un nivel granular (nivel campo y funciones aplicadas) que ninguna otra solución en el mercado es capaz de ofrecer. ¿Cómo? No podemos contarlo todo pero sí que podemos dar unas pequeñas pinceladas 🙂

Básicamente lo que hace Anjana Data es aplicar una mezcla de las tres técnicas arriba mencionadas interceptando cada uno de los procesos justo en el momento previo a su ejecución.

Para la ejecución de los procesos, Spark hace un plan de ejecución (DAG) antes de dividir el proceso en tareas que son lanzadas en paralelo y este es el único momento en el que toda la información está disponible en un solo punto, justo antes de ser distribuido por todos los elementos encargados de su ejecución. Incluyendo un agente específico que sea invocado siempre en todas y cada una de las ejecuciones por defecto, toda esta información puede ser capturada y extraída con el nivel de detalle requerido. Además, todo esto se puede hacer de forma centralizada y no invasiva, sin necesidad de que los programadores tengan que incluir nada en sus procesos.

Por último, toda esta información es procesada e interpretada por una de las piezas de la arquitectura de Anjana Data para después servirla al CORE de la solución, donde se cruza con la información gobernada para poder generar así un linaje del dato de valor que se pone a disposición del usuario final.

Anjana Data puede hacer esto y muchas cosas más… ¿Quieres descubrirlo?

¡Solicita una demo y te lo contamos!

Si bien el Gobierno del Dato trata fundamentalmente sobre aspectos culturales y organizativos y no puede ser resuelto únicamente a través de la tecnología, las soluciones tecnológicas juegan un papel fundamental y son más que necesarias para lograr la implantación de un modelo de gobierno efectivo y eficiente. Es por eso por lo que en el mercado existen multitud de soluciones que sirven de aceleradoras para lograr un buen gobierno del dato, así como para ayudar a las organizaciones a construir y mantener esa cultura del dato necesaria a todos los niveles para lograr el objetivo de convertirse en data-driven.

De la versión 2 del DAMA-DMBOK podemos extraer algunas ideas muy interesantes:

• Las organizaciones que establecen un programa formal de Gobierno del Dato están mucho más capacitadas para incrementar el valor que obtienen de sus activos de datos
• La función del Gobierno del Dato guía todas las demás funciones de la Gestión del Dato
• El propósito del Gobierno del Dato es asegurar que los datos son gestionados adecuadamente, de acuerdo con una serie de políticas y mejores prácticas
• El Gobierno del Dato se focaliza en cómo se toman las decisiones acerca de los datos y cómo se espera que los procesos y las personas se comporten en relación con los datos
• El Gobierno del Dato no es un fin en sí mismo, necesita estar directamente alineado con la estrategia de la organización
• El Gobierno del Dato no es algo de una sola vez, requiere de un programa continuo focalizado en asegurar que la organización obtiene valor de los datos y reduce los riesgos relacionados con los datos
• El Gobierno del Dato es diferente del Gobierno de TI
• El objetivo del Gobierno del Dato es permitir a la organización gestionar los datos como un activo
• Un programa de Gobierno del Dato debe ser sostenible, embebido y medible
• El Gobierno del Dato no puede ser implementado de un día para otro y requiere planificación

En definitiva, el hecho de que el Gobierno del Dato sea algo tan ligado a esos aspectos culturales y organizativos hace que evaluar las soluciones tecnológicas que pueden darnos soporte en este ámbito sea algo difícil y complejo. Esto nos obliga a tener que ampliar nuestras miras más allá de una evaluación en base a la cobertura de funcionalidades o módulos disponibles y plantearnos también una serie de características de valor añadido que deberemos incorporar a la valoración.

Funcionalidades y módulos

Por un lado, si pensamos en funcionalidades y módulos “propios” de Gobierno del Dato podemos citar:

• Glosario de términos de negocio
• Gestión de metadatos con Diccionario y Catálogo
• Trazabilidad y linaje de datos
• Arquitectura, diseño y modelado de datos
• Gestión de workflows y procesos de negocio
• Gestión de datos maestros y de referencia
• Calidad de datos
• Gestión de incidencias de datos
• Seguridad de datos (Políticas, accesos y uso, roles y perfilado de usuarios, ofuscación de datos)
• Cuadro de Mandos
• Gestión de DataLabs y Sandboxes
• Gestión de contenidos y Portal de Publicación
• Gestión de servicios de datos
• Soporte a la auditoría

Sin embargo, evaluar una solución sólo por el grado de completitud de estas funcionalidades hará que sólo veamos parte de la foto y que podamos tomar una decisión de la que nos arrepintamos pasado un tiempo, máxime cuando es utópico pensar que una única solución tecnológica puede dar cabida a todas estas funcionalidades de forma autocontenida. Es por ello por lo que, para asegurar que eso no sucede, debemos ponderar el análisis de cobertura de funcionalidades junto con otro tipo de análisis basado en una serie de características de valor añadido.

Características de valor añadido

Estas características nos permitirán crecer en la función de Gobierno del Dato en tiempo y forma según las necesidades concretas de la organización:

• Automatización: los procesos deben de ser lo más automáticos posibles para liberar de carga a los usuarios de las herramientas.
• UX & UI: la interfaz de usuario, así como su navegación y usabilidad debe de ser lo más intuitiva y amigable posible, para todo tipo de públicos de tal forma que cualquier usuario se sienta cómodo utilizándola.
• Interoperabilidad: debe de poder compartir e intercambiar datos con otros sistemas, no debe de ser una “caja negra”, ni un componente estanco, permitiendo interconexión con diferentes tipos de sistemas mediante conectores y permitiendo el uso de estándares.
• Customización: lo más configurable posible para poder soportar la estrategia y el modelo de gobierno definido por la organización.
• Modularización: las diferentes funcionalidades deben ser entendidas como piezas independientes, de tal forma que el uso de una de ellas no limite el uso de otras, permitiendo la posible utilización de los módulos necesarios sin perjuicio de la experiencia total.
• Multi-entorno: capacidad de gobernar de forma centralizada desde una misma instancia múltiples plataformas apoyadas en tecnologías diferentes.
• Escalabilidad: adaptable a medida que el volumen de datos y las necesidades de procesamiento y respuesta aumentan, manteniéndose el rendimiento estable en el tiempo.
• Adaptabilidad: debe de poder ajustarse a las necesidades y realidades de la organización a lo largo del tiempo.

Adicionalmente, desde un punto de vista más a largo plazo, las características en las que habría que prestar especial atención y cuidado son:

• Vendor lock-in: en la medida de lo posible, hay que intentar que las soluciones seleccionadas no “aten” a la organización a un único vendor adquiriendo grandes dependencias y evitar así que la migración de una solución a otra tenga grandes consecuencias.
• Curva de aprendizaje: siendo soluciones potentes, la curva de aprendizaje no debe de ser un problema para los usuarios, los cuales no deberían de invertir un gran número de horas en aprender el uso de la solución o necesitar formaciones y certificaciones muy específicas y costosas.
• Límite de usuarios: en el caso de que queramos extender el gobierno del dato a toda la organización hay que considerar soluciones que no licencien por usuarios ya que esto puede resultar en un uso limitado de la misma al dispararse los costes en relación con el incremento de usuarios y no en base al uso real.
• Coste de licencias: el coste debe de ser flexible y escalable, tendiendo al pago por uso, permitiendo tener un control total sobre el ROI sin conllevar una alta inversión inicial para maximizar el time-to-market y el time-to-value.

¿Qué podemos encontrar en el mercado?

Echando la vista al mercado, dado que estamos hablando de tecnología, los propios fabricantes de soluciones de almacenamiento y tratamiento de datos suelen ofrecer módulos orientados al gobierno de los datos dentro de sus propias plataformas, pero generalmente con una visión sesgada y poco interoperable, representando un problema de integración entre tecnologías y resultando en un nuevo reto de gobierno de aplicaciones y tecnologías.

Por otro lado, dada la necesidad existente en el mercado, en los últimos años han surgido nuevos proveedores especializados en el desarrollo de soluciones específicas e independientes con una visión agnóstica a las tecnologías de almacenamiento y tratamiento de datos, dando a esta práctica un nuevo set de herramientas para facilitar su ejecución. En este grupo se encuentra, por ejemplo, Anjana Data.

A pesar de esto, por la complejidad y amplitud de la práctica, las soluciones suelen centrarse en ofrecer una serie de funcionalidades y capacidades específicas y se antoja muy difícil, si no imposible, encontrar una única solución que lo cubra todo por lo que lo recomendable es buscar las diferentes piezas que nos ayuden a construir el puzle de soluciones que den soporte al Gobierno del Dato en base a las necesidades de la organización empezando por los aspectos más críticos.

Además, el mercado de soluciones específicas de “Gobierno del Dato” no hace mucho que existe y no está muy extendido, salvo en EE. UU. donde sí que representan un volumen de negocio alto. De hecho, tanto para Gartner como para Forrester todavía no existe un cuadrante o una curva respectivamente en este ámbito, situándose las soluciones entre las de “Gestión de Metadatos”, “Gestión de Datos Maestros” y “Calidad de Datos”.

Por último, dentro del espectro de proveedores de soluciones tecnológicas de Gobierno del Dato, podemos agrupar los vendors en diferentes grupos… pero esto es algo que da para otro artículo completo