Cuándo necesitas master data management y cuándo no

Master data management (MDM) es uno de esos conceptos que suenan imprescindibles cuando lees sobre ellos y que muchas consultoras venden como el primer paso de cualquier estrategia de datos. «Antes de hacer BI o IA, necesitas gobernar tus datos maestros.» En teoría, es cierto. En la práctica, la mayoría de pymes que invierten en un proyecto formal de MDM acaban con una herramienta compleja que nadie usa y un proyecto que no termina nunca.

La pregunta correcta no es «¿necesitamos MDM?» sino «¿tenemos un problema de datos maestros que esté bloqueando algo concreto?». Si la respuesta es sí, hay que resolverlo. Pero la solución no siempre es un proyecto formal de MDM con una herramienta enterprise.

¿Qué es realmente un problema de datos maestros?

Los datos maestros son las entidades fundamentales del negocio: clientes, productos, proveedores, empleados, centros de coste. Son los datos que comparten múltiples sistemas y procesos. Un problema de datos maestros existe cuando:

• El mismo cliente aparece con nombres distintos en el ERP, el CRM y el sistema de facturación. Cada sistema tiene su propio ID, su propia versión del nombre y su propia dirección. Consolidar cuánto factura ese cliente requiere trabajo manual.
• El catálogo de productos tiene duplicados, códigos inconsistentes o descripciones que varían entre sistemas. Un mismo producto se llama de una forma en el ERP y de otra en la web.
• No existe un criterio unificado para clasificar clientes, productos o proveedores. Cada departamento usa su propia clasificación y los informes son incompatibles entre sí.
• Los cambios en un dato maestro (nueva dirección de un cliente, descatalogación de un producto) se hacen en un sistema pero no se propagan a los demás.

Cuándo SÍ necesitas abordar los datos maestros

Hay señales claras de que el problema de datos maestros ya está costando dinero o bloqueando proyectos:

1. 1Los informes no cuadran porque los datos de clientes o productos están duplicados o son inconsistentes. El equipo dedica horas a reconciliar cifras que deberían coincidir.
2. 2Un proyecto de BI o de IA se ha bloqueado porque no se puede cruzar información entre sistemas. No hay un ID común de cliente o producto que permita unir tablas de distintas fuentes.
3. 3Se han enviado facturas a la dirección equivocada, pedidos al proveedor incorrecto o comunicaciones al cliente erróneo porque los datos estaban desactualizados en algún sistema.
4. 4Una auditoría interna o externa ha identificado riesgos por inconsistencias en datos de clientes o proveedores (duplicados de pagos, clientes inexistentes, proveedores no verificados).
5. 5La empresa ha crecido por adquisiciones y cada filial tiene su propio sistema con sus propios datos maestros sin integrar.

Cuándo NO necesitas un proyecto formal de MDM

Si ninguna de las señales anteriores te resulta familiar o si el impacto es menor, un proyecto formal de MDM probablemente sea prematuro. Señales de que no lo necesitas ahora:

• Solo tienes un ERP y un CRM con pocos cientos de clientes y productos. Los duplicados se pueden gestionar manualmente o con herramientas de deduplicación simples.
• El problema no son los datos maestros sino la calidad de los datos transaccionales. Si las ventas están mal registradas o los inventarios no cuadran, el problema está en los procesos operativos, no en los datos maestros.
• No tienes un caso de uso concreto que requiera datos maestros unificados. MDM sin un consumidor claro (un proyecto de BI, un modelo de IA, una integración de sistemas) es un ejercicio académico.
• Tu empresa tiene menos de 50 empleados y los datos se gestionan de forma centralizada por un equipo reducido. A esta escala, los procesos manuales de control son suficientes.

Alternativas más simples que resuelven el problema

Antes de embarcarte en un proyecto formal de MDM, evalúa si alguna de estas alternativas resuelve tu problema a menor coste:

• Tabla maestra manual: una hoja de cálculo o tabla en el data warehouse que mapee los IDs de cada sistema con un ID unificado. Es la solución más simple y funciona cuando el volumen de entidades es manejable (menos de 5.000 clientes o productos).
• Deduplicación puntual: herramientas de matching fuzzy que identifican duplicados en el CRM o el ERP y los fusionan. Se hace una vez, se limpia, y se establece un proceso para evitar nuevos duplicados.
• Reglas de creación en origen: definir un proceso estándar para dar de alta clientes, productos o proveedores en el sistema principal, con campos obligatorios y validaciones automáticas. Previene el problema en lugar de corregirlo después.
• Capa de integración en el data warehouse: en lugar de unificar los datos maestros en los sistemas de origen (que es caro y arriesgado), se hace la unificación en la capa de transformación del data warehouse. Los sistemas de origen siguen como están, pero los informes y modelos trabajan con datos maestros unificados.

Si decides que sí lo necesitas: por dónde empezar

Si tu situación encaja con las señales de que sí necesitas abordar los datos maestros, el enfoque más práctico es:

1. 1Empieza por una sola entidad. No intentes unificar clientes, productos y proveedores a la vez. Elige la entidad que más problemas causa (normalmente clientes) y resuelve esa primero.
2. 2Define el golden record. Para cada cliente (o producto, o proveedor), cuál es la fuente de referencia para cada campo: el nombre viene del CRM, la dirección fiscal del ERP, el sector de la clasificación interna. No todo viene del mismo sistema.
3. 3Automatiza la sincronización. Una vez definido el golden record, hay que mantenerlo actualizado. Un pipeline que detecte cambios en los sistemas de origen, los valide y los propague al registro maestro.
4. 4Mide el impacto. Si después de unificar los datos maestros de clientes los informes cuadran sin trabajo manual, has resuelto el problema. Si no, el problema estaba en otro sitio.

Si necesitas evaluar el estado de tus datos maestros y decidir el mejor enfoque para tu empresa, en nuestro servicio de gobierno del dato y calidad el diagnóstico incluye el análisis de datos maestros, y la solución de calidad de datos aborda tanto la limpieza puntual como la automatización de la calidad en origen.