Claves del artículo
- El vocabulario de datos no es jerga vacía: detrás de cada término hay una idea simple y una decisión de negocio.
- Distingue las familias: técnicas de análisis, infraestructura, calidad e identidad, negocio y cumplimiento.
- Entender los términos te permite exigir lo correcto a un proveedor y detectar cuándo te venden humo.
- Si un proveedor no sabe darte un ejemplo concreto de un término aplicado a tu negocio, desconfía.
Entras en una reunión sobre la estrategia de datos de tu empresa y, en cinco minutos, han caído quince anglicismos: alguien habla de hacer ETL hacia el lakehouse, otro de mejorar el match rate del enrichment, un tercero de que el scoring necesita mejor entity resolution. Asientes. Pero por dentro, no estás del todo seguro de qué significan la mitad de esas palabras. Es una situación más común de lo que nadie admite, y tiene fácil arreglo. Este glosario desmonta el vocabulario de los datos en lenguaje claro, porque detrás de cada término intimidante casi siempre hay una idea sencilla y una decisión de negocio concreta.
No es una lista para memorizar, sino para entender. He agrupado los cuarenta términos por familias, de modo que veas cómo encajan entre sí. Porque el objetivo no es que sueltes palabros en la próxima reunión, sino que entiendas lo suficiente para hacer buenas preguntas y detectar cuándo alguien usa la jerga para venderte humo.
01Conceptos fundamentales
- Minería de datos (data mining). El proceso de descubrir patrones útiles en grandes volúmenes de datos. La disciplina madre que engloba a casi todas las demás.
- Big data. Datos que destacan por su volumen, velocidad y variedad. Describe las características del dato, no qué haces con él.
- Machine learning. Técnicas que permiten a un sistema aprender patrones de los datos sin reglas explícitas. Una herramienta central de la minería moderna.
- Inteligencia artificial. El campo amplio que busca que las máquinas realicen tareas que requieren inteligencia. El machine learning es un subconjunto suyo.
- Dato estructurado / no estructurado. El primero cabe en tablas (una hoja de cálculo); el segundo no (texto libre, imágenes, audio).
- Metadato. Dato que describe a otro dato: su origen, su fecha, su formato. El dato sobre el dato.
02Técnicas de análisis
- Clasificación. Asignar una etiqueta de un conjunto conocido (convierte / no convierte). Base del lead scoring.
- Regresión. Predecir un valor numérico continuo (cuánto gastará un cliente).
- Clustering. Agrupar registros similares sin etiquetas previas. Descubre segmentos que no sabías que tenías.
- Reglas de asociación. Detectar qué cosas ocurren juntas (quien compra X compra Y). Motor del cross-selling.
- Detección de anomalías. Encontrar lo atípico: fraude, errores, comportamientos raros.
- Aprendizaje supervisado / no supervisado. El primero aprende de ejemplos etiquetados; el segundo descubre estructura sin etiquetas.
- Look-alike. Buscar perfiles parecidos a tus mejores clientes para escalar la captación.
03Infraestructura y pipelines
- ETL / ELT. Las dos formas de mover datos de su origen a un destino; la diferencia es cuándo se transforman.
- Data warehouse. Almacén de datos estructurados, optimizado para analítica y BI.
- Data lake. Repositorio de datos en bruto de cualquier tipo, flexible y barato.
- Lakehouse. Arquitectura híbrida que combina la flexibilidad del lake con el gobierno del warehouse.
- Data mesh. Enfoque organizativo en el que cada dominio de negocio gestiona sus datos como un producto.
- CDP (Customer Data Platform). Plataforma que unifica datos de cliente de muchas fuentes en un perfil único y los activa.
- API. Interfaz que permite a dos sistemas intercambiar datos de forma automatizada.
- Pipeline de datos. El flujo automatizado que lleva los datos de la fuente al destino, transformándolos por el camino.
04Calidad e identidad
- Entity resolution (resolución de identidad). Unificar registros que se refieren a la misma entidad real.
- Deduplicación. Eliminar registros duplicados.
- Golden record. El registro único y depurado que resulta de fusionar los duplicados de una entidad.
- Enriquecimiento (enrichment). Completar tus registros con atributos externos.
- Match rate. El porcentaje de registros que un proceso de enriquecimiento consigue completar.
- Data quality (calidad de datos). El grado de exactitud, completitud, frescura y fiabilidad de los datos.
- Data decay (decadencia de datos). El ritmo al que los datos se vuelven obsoletos (en B2B, en torno al 22,5% anual).
- Gobierno del dato (data governance). Las políticas, roles y responsabilidades que aseguran datos fiables y bien usados.
05Negocio y captación
- ICP (Ideal Customer Profile). El perfil de empresa a la que mejor vendes.
- Buyer persona. El perfil de la persona que decide la compra dentro de esa empresa.
- Lead scoring. Puntuar leads por su probabilidad de conversión para priorizarlos.
- Intent data (datos de intención). Señales de que una cuenta está investigando tu categoría ahora.
- Propensión a la compra. La probabilidad de que una cuenta realice una acción concreta en un plazo.
- CAC / LTV. Coste de adquisición de cliente y valor de vida del cliente. Su relación mide la salud del crecimiento.
- ABM (Account-Based Marketing). Estrategia que concentra recursos en un conjunto definido de cuentas de alto valor.
- Churn. La tasa a la que pierdes clientes.
06Cumplimiento
- RGPD. El Reglamento General de Protección de Datos de la UE, que protege los datos personales.
- EU AI Act. El Reglamento europeo de IA, que regula los sistemas de inteligencia artificial por nivel de riesgo.
- Base de legitimación. La razón legal que justifica tratar un dato personal (consentimiento, interés legítimo...).
- Minimización. El principio de usar solo los datos estrictamente necesarios para una finalidad.
- Trazabilidad. La capacidad de saber el origen y el recorrido de cada dato.
La jerga de los datos no existe para excluirte; existe para nombrar ideas concretas. Una vez le pones ejemplo a cada palabra, el muro de palabros se convierte en un mapa útil.
07El vocabulario, en acción
Lo interesante de este glosario es ver cómo todos los términos encajan en una cadena. En una plataforma de datos como Funneld, conviven prácticamente todos: se hace ETL para ingerir datos de más de cuarenta fuentes hacia un data warehouse; se aplica entity resolution para construir golden records sin duplicados; se hace enrichment para subir el match rate; se entrena un modelo de clasificación para el lead scoring, cruzado con intent data; se filtra por ICP; y todo ello con trazabilidad y bajo el RGPD y la EU AI Act. No son cuarenta conceptos sueltos: son las piezas de un mismo motor. Entender el vocabulario es, en el fondo, entender cómo el dato se convierte en decisión.
08Fuentes y lecturas
09Preguntas frecuentes
¿Quieres aplicar esto a tus datos?
Funneld opera plataforma propia, infraestructura de procesamiento y una red de +40 proveedores de datos. Reserva una demo y te mostramos cómo aplicarlo a tu caso.