La dispersión de los datos exige distintas respuestas, que van desde la eficiencia del lakehouse a la versatilidad del data fabric o la descentralización del data mesh.

Más de la mitad de la infraestructura de las empresas europeas ya está en la nube. En la práctica, eso implica que el concepto tradicional de un repositorio centralizado ha perdido sentido. La información ya no se guarda bajo un mismo techo, sino que se distribuye entre múltiples plataformas y entornos de red. Y eso tiene consecuencias.

Cuando la dirección solicita un análisis que requiere cruzar datos de diversas áreas, es necesario construir conexiones complejas que consumen tiempo y elevan los costes de transferencia de red (las conocidas como “egress fees”). El resultado es una demora para localizar y validar la información que acaba afectando a toda la empresa.

Concentrar toda la información en un único repositorio gigante ya no es una opción realista. Las empresas que están liderando el enfoque cloud lo tienen asumido: la dispersión del dato es permanente. La pregunta ya no es cómo eliminarla, sino cómo moverse dentro de ella. Por eso crece la adopción de enfoques como el lakehouse, el data fabric o el data mesh, que se usan para resolver diferentes tipos de problemas.

 

Eliminar redundancias de almacenamiento con un lakehouse

Cada vez es más habitual que en una empresa coexistan dos infraestructuras paralelas: un data lake para almacenar archivos en bruto orientados al Big Data y un data warehouse para las consultas de los analistas de negocio. El problema es que esa duplicidad genera inconsistencias en la generación e informes, obliga a los equipos de ingeniería a replicar datos constantemente y, al final,  acaba encareciendo los costes.

El modelo lakehouse ayuda a solucionar esa redundancia al unificar ambas capacidades en una sola plataforma. Su diseño aplica capacidades transaccionales y de control de calidad (mediante el estándar ACID) directamente sobre sistemas de almacenamiento de objetos de bajo coste. Así, los analistas pueden lanzar consultas SQL de alta velocidad sobre la misma base de datos que los ingenieros usan para entrenar modelos de machine learning. Eso agiliza la operativa y reduce los costes.

Además, la unificación de la infraestructura de datos facilita dar el paso definitivo del dato acumulado a la decisión estratégica, transformando repositorios que antes eran estáticos en activos dinámicos que responden al ritmo que requiere el mercado.

 

Acceder a los datos sin moverlos de sitio con el data fabric

Hay situaciones en las que mover los datos no es solo complicado, sino directamente imposible. Por ejemplo, el Reglamento General de Protección de Datos limita el traslado de datos personales fuera del Espacio Económico Europeo sin garantías adicionales. Otras veces el problema es el volumen, o el coste de migrar sistemas heredados. Esto obliga a diseñar integraciones manuales para cada nueva necesidad de análisis en estos entornos distribuidos, lo que colapsa los recursos de TI.

La arquitectura data fabric aporta la flexibilidad necesaria en estos escenarios al añadir una capa de abstracción virtualizada por encima de las bases de datos existentes. Mediante el uso de metadatos activos, esta arquitectura identifica y cataloga de modo continuo qué información existe en cada rincón de la empresa. Eso permite conectar los datos entre sí sin moverlos de sitio ni alterar su estructura.

Cuando un analista lanza una consulta, el data fabric localiza los registros en tiempo real, procesa la petición de forma distribuida y ofrece el resultado en una interfaz unificada sin que los archivos abandonen su servidor. Eso evita tener que crear una integración distinta para cada consulta, que además quedaría obsoleta rápidamente.

 

Dar autonomía a los datos de cada departamento con data mesh

Según Eurostat, el 78,8 % de las grandes empresas europeas ya realizan análisis de datos de forma interna en sus áreas de actividad. Pero eso puede provocar problemas organizativos. Cuando un departamento necesita un cuadro de mando analítico, la solicitud suele recaer en un equipo de TI que domina la infraestructura, pero a veces no conoce el dominio en profundidad, por lo que el resultado no cumple las expectativas.

El data mesh parte de una lógica distinta: en lugar de centralizar, distribuye la responsabilidad. Divide los datos en dominios y hace que cada departamento se encargue de depurar, estructurar y ofrecer sus propios conjuntos de datos al resto de la empresa, como productos listos para el consumo y accesibles mediante API estándar.

Para que esa autonomía no derive en caos o problemas de cumplimiento, el modelo data mesh necesita apoyarse en una gobernanza federada que coordine los criterios de seguridad entre las distintas áreas. Un aspecto que cobra especial relevancia a tenor del papel que juega el data governance en el desarrollo de la inteligencia artificial.

 

Encuentra respuestas a tus desafíos de datos en Big Data & AI World 2026

Entender cómo el lakehouse, el data fabric y el data mesh pueden resolver diferentes tipos de problemas de las empresas es el primer paso para afrontar la dispersión de los datos. El siguiente es conocer cómo se implementan estas arquitecturas en entornos reales y diseñar una estrategia a la medida del negocio. La próxima edición de Big Data & AI World Madrid el 4 y 5 de noviembre es el evento ideal para abordar este análisis.

Integrado en Tech Show Madrid, el encuentro tecnológico líder para empresas en España, Big Data & AI World reúne en esta edición a más de 40 expositores líderes y 70 ponentes internacionales para explorar las tendencias del sector: desde el Business Intelligence y la analítica predictiva hasta el Machine Learning o la IA generativa.

Con más de 4.000 asistentes previstos (el 37 % de ellos con perfiles C-Level como CEO, CDO y directores de IA), Big Data & AI World 2026 es el escenario perfecto para anticiparse a lo que viene, hacer networking de calidad y encontrar los partners estratégicos que ayuden a llevar la arquitectura de datos de tu negocio al próximo nivel.