En la era del Big Data y la analítica avanzada, la arquitectura de datos se ha convertido en el pilar fundamental de cualquier empresa impulsada por datos (data-driven). Durante los últimos años, dos paradigmas dominantes han captado la atención de los directores de tecnología y arquitectos de datos: Data Fabric y Data Mesh.
Ambos prometen solucionar la fragmentación de la información y la rigidez de los antiguos data lakes o data warehouses centralizados. Sin embargo, en la práctica real, la implementación estricta de cualquiera de los dos suele chocar contra muros organizacionales o técnicos.
Aquí es donde entra Data «Fabresh»: la arquitectura híbrida pragmática que combina la automatización inteligente del Data Fabric con la gobernanza descentralizada del Data Mesh.
1. Data Fabric: La magia de la automatización centralizada
Data Fabric es una arquitectura impulsada principalmente por tecnología, metadatos y automatización (a menudo apoyada por IA/ML).
¿Cómo funciona?
Creó una «capa de tela» (fabric) virtualizada sobre todos los repositorios de datos existentes en la empresa (nubes híbridas, bases de datos en la premisa, SaaS). A través del análisis continuo de metadatos activos, Data Fabric descubre, conecta y prepara los datos de forma automatizada para los usuarios de negocio.
- Punto fuerte: Abstrae la complejidad subyacente. Los usuarios no necesitan saber dónde residen los datos físicamente.
- Gran problema: Tiende a convertirse en una «caja negra centralizada». Depende en exceso de herramientas complejas y del equipo central de TI para mantener las integraciones, creando cuellos de botella técnicos cuando la empresa escala a cientos de fuentes de datos.
2. Data Mesh: El cambio sociocultural y descentralizado
Introducido como una crítica a la centralización, Data Mesh aborda el problema de los datos como una cuestión sociotécnica.
¿Cómo funciona?
Descarta la idea de un lago de datos o capa centralizada. En su lugar, distribuye la responsabilidad de los datos a los dominios de negocio (ventas, marketing, finanzas). Cada dominio trata a sus datos como un Producto de Datos (Data Product), mientras que un equipo central solo provee la infraestructura como plataforma (Self-serve Data Platform) y reglas de gobernanza federada.
- Punto fuerte: Da autonomía a los equipos que realmente entienden el contexto del negocio y elimina el cuello de botella del equipo central de datos.
- Gran problema: Exige una transformación cultural masiva. La mayoría de los dominios de negocio carecen de los conocimientos técnicos para construir y mantener sus propios pipelines de datos, derivando rápidamente en un caos insostenible, duplicación de esfuerzos y gobernanza débil.
