Linaje de datos

El linaje de datos (data lineage) es la trazabilidad completa del recorrido de un dato desde su origen hasta su consumo final, registrando cada sistema, transformación y proceso por el que pasó. Responde tres preguntas que toda organización necesita poder contestar sobre su información: de dónde salió un número, cómo se calculó y qué fuentes lo alimentan.

En términos prácticos, el linaje mapea el flujo del dato a lo largo de toda su vida: la tabla de origen en un sistema transaccional, los pasos de un pipeline de ETL o ELT que lo limpian y combinan, la vista o el modelo intermedio donde se agrega y, al final, la celda de un tablero o la fila de un reporte que ve el usuario. Ese mapa puede describirse a nivel de tabla (qué tablas alimentan a qué tablas) o al detalle más fino de nivel de columna (qué campo específico deriva de qué otro).

El valor concreto es que convierte un reporte opaco en algo auditable y explicable. Cuando un número no cuadra, en lugar de revisar a mano decenas de consultas, se sigue el rastro hacia atrás hasta encontrar la transformación o la fuente que lo rompió. Mantener ese mapa vivo y consultable, en vez de reconstruirlo a mano cada vez, es parte de lo que resuelve una capa de analítica como Metrix.

El linaje de datos responde una pregunta que parece simple pero que en la mayoría de las empresas nadie puede contestar con certeza: ese número del tablero, ¿de dónde salió exactamente? A medida que el dato viaja por sistemas, pipelines y transformaciones, el rastro se pierde, y con él la confianza. Documentar ese recorrido de punta a punta es lo que hace el linaje.

Qué registra exactamente

Un buen linaje no dice solamente que dos tablas están conectadas: documenta el recorrido completo y el detalle de cada salto. En su forma más rica incluye:

• Origen (source): el sistema o la tabla donde nació el dato, por ejemplo el CRM, el ERP o un formulario web.
• Transformaciones: cada paso que modificó el dato en el camino, un join, un filtro, una agregación, una conversión de moneda o una regla de negocio aplicada en un pipeline.
• Destino (target): dónde se consume al final, un tablero, un reporte regulatorio, un modelo de machine learning o una exportación a otro sistema.
• Metadatos del salto: quién definió la lógica, cuándo corrió por última vez y con qué reglas, para poder reconstruir el porqué de cada número.

Nivel de tabla y nivel de columna

El linaje se describe con distinta granularidad. El linaje a nivel de tabla muestra qué tablas alimentan a qué tablas: es rápido de generar y sirve para entender el flujo general. El linaje a nivel de columna (column-level lineage) baja al campo individual: muestra que la columna "ingreso neto" de un tablero deriva de "monto bruto" menos "impuestos", tomados de dos tablas distintas. El nivel de columna es el más útil para auditar y para el análisis de impacto, pero también el más caro de mantener.

Cómo se captura

Reconstruir el linaje a mano no escala, así que se combinan varias técnicas automáticas y manuales:

• Parsing de consultas SQL: herramientas que leen el código de los pipelines y deducen qué alimenta a qué.
• Metadatos de las herramientas de integración: los motores de ETL o ELT y de orquestación ya conocen el mapa de dependencias y lo exponen.
• Etiquetado manual: documentación que agregan los equipos de datos, indispensable para capturar las reglas de negocio.
• Análisis de ejecución y logs: observar qué corrió realmente, no solo lo que estaba definido en el diseño.

Linaje técnico y linaje de negocio

Conviven dos vistas del mismo recorrido. El linaje técnico habla el idioma de la infraestructura: tablas, columnas, jobs y consultas, y sirve a los equipos de datos e ingeniería. El linaje de negocio traduce ese recorrido a conceptos que entiende un gerente: de qué sistema fuente proviene la métrica "ventas del mes", qué área es dueña de ese dato y qué definición oficial tiene. Un linaje completo enlaza ambas capas, para que técnicos y usuarios de negocio miren la misma verdad desde su ángulo.

Por qué le importa a una empresa de LATAM

El linaje deja de ser un lujo cuando el dato tiene consecuencias. En servicios financieros, salud, farmacéutica o manufactura, un reporte regulatorio o un tablero de directorio tiene que ser defendible: si un auditor o un ente de control pregunta cómo se calculó una cifra, hay que poder mostrar el recorrido, no improvisarlo. El linaje también habilita el análisis de impacto: antes de cambiar una columna en un sistema fuente, se ve qué reportes y modelos aguas abajo se van a romper. Y a la inversa, permite el análisis de causa raíz: cuando un número aparece mal, se rastrea hacia atrás hasta la fuente que lo ensució. En el fondo, todo esto construye lo más valioso y lo más frágil de un área de datos, la confianza en los reportes.

Diferencias con términos vecinos

El linaje suele confundirse con conceptos cercanos de la gestión de datos, pero cada uno responde a una pregunta distinta:

Son piezas complementarias: el catálogo inventaria, la gobernanza pone las reglas, la calidad mide la salud del dato y el linaje muestra el recorrido que conecta todo. En la práctica, un buen linaje es además una herramienta de calidad, porque el rastro es justo lo que permite encontrar dónde se degradó un dato.

En la práctica

El linaje se vuelve tangible el día que un número no cierra. Un tablero de ingresos marca una caída del 12% que nadie explica; con el linaje a nivel de columna, el equipo sigue el rastro hasta un cambio de esquema en el sistema de facturación que dejó de mapear una categoría de productos. Sin linaje, eso son días de revisar consultas a ciegas; con linaje, son minutos. Ese rastreo hacia atrás, y su inverso para anticipar qué se rompe antes de tocar algo, es lo que sostiene una analítica en la que el negocio realmente confía.