Última actualización: 2026-10-18

Contenido de esta página

• ¿Cómo usar este glosario de ciencia de datos?
• Términos generales de ciencia de datos
• Glosario de análisis de datos
• Glosario de bases de datos: ACID, claves, índices y normalización
• Glosario de SQL
• Glosario de Python para análisis de datos
• Glosario de Excel para análisis de datos
• Glosario de estadística para ciencia de datos
• Glosario de visualización de datos
• Glosario de ingeniería de datos: ETL, data lake y data warehouse
• Glosario de big data
• Glosario de machine learning e inteligencia artificial
• Glosario de estructuras de datos y algoritmos
• Roles en ciencia de datos
• Glosario de gobierno y protección de datos
• Lo que una definición no resuelve

Escena compuesta, con nombre ficticio: Diana administra los sistemas de una cooperativa de ahorro y crédito en Bucaramanga. Un proveedor le ofrece una base de datos repartida en varios servidores y le repite, en la reunión, que el sistema es «consistente». Diana firma tranquila. Para ella, consistente quiere decir que las cuatro sucursales verán siempre el mismo saldo de cada cuenta.

Para el proveedor quería decir otra cosa: que cada operación respeta las reglas de la base.

Seis meses después, durante un corte de red, dos sucursales muestran por unos minutos saldos distintos de la misma cuenta. Nadie mintió. Las dos lecturas existen y están documentadas. En las transacciones de una base de datos, la consistencia es la garantía de que los datos respeten las reglas de integridad definidas [1]. En el teorema CAP, que describe los sistemas repartidos entre varias máquinas, es que cada nodo (cada máquina del grupo) responda con el dato más reciente. La documentación de Microsoft advierte que son dos sentidos técnicos distintos [2].

Una palabra, dos contratos.

El problema no es exclusivo de la tecnología. El DANE, la entidad que produce las cifras oficiales de Colombia, trabaja en la definición continua de conceptos unificados para sus operaciones estadísticas y las de las demás entidades del sistema estadístico. El propósito es que la información se pueda comparar e integrar dentro y fuera del país [3]. Un glosario hace ese mismo trabajo a menor escala: fija qué significa cada palabra antes de que alguien firme sobre ella.

¿Cómo usar este glosario de ciencia de datos?

Cada entrada responde una sola pregunta, qué es el término, en un párrafo que se puede leer sin el resto de la página. Las entradas están repartidas en catorce temas, en el mismo orden de las guías de ciencia de datos de este sitio, y dentro de cada tema van en orden alfabético. Ninguna entrada sustituye a su guía: la definición es la puerta, no la casa entera.

Tres convenciones ayudan a leerlo:

1. Siglas. Cada sigla va en el título de su entrada con el nombre completo en español y, cuando circula en inglés, también con esa forma. Así la encuentra quien busca en cualquiera de los dos idiomas.
2. Fuentes. Las definiciones técnicas llevan un número entre corchetes que remite a su fuente: documentación oficial de cada herramienta, normas, leyes o glosarios de organismos públicos.
3. Enlaces. Cada entrada enlaza a la guía del sitio donde vive su tema. Cuando esa guía todavía no desarrolla el término, la entrada lo dice.

La tabla resume qué encontrará en cada tema. Es un índice: cada término que nombra tiene su definición más abajo.

Tema	Algunos términos	Entradas	Guía del tema
Términos generales	ciencia de datos, conjunto de datos, datos no estructurados	3	Ciencia de datos
Análisis de datos	analítica, análisis exploratorio, limpieza	5	Análisis de datos
Bases de datos	ACID, clave primaria, índice, normalización, OLTP y OLAP	15	Bases de datos
SQL	consulta, DDL, DML, JOIN, COMMIT	7	SQL
Python	API, JSON, NumPy, pandas	6	Python para análisis de datos
Excel	macro, Power Query, tabla dinámica	4	Excel para análisis de datos
Estadística	media, intervalo de confianza, valor p	11	Estadística para ciencia de datos
Visualización	dashboard, histograma, inteligencia de negocios	5	Visualización de datos
Ingeniería de datos	ETL, ELT, data lake, data warehouse	10	Ingeniería de datos
Big data	las V, Hadoop, Spark	7	Big data
Machine learning e IA	sobreajuste, LLM, RAG	14	Machine learning
Estructuras de datos y algoritmos	notación O grande, tabla hash, búsqueda binaria	10	Estructuras de datos y algoritmos
Roles	analista, científico e ingeniero de datos	4	Cómo aprender ciencia de datos
Gobierno y protección de datos	metadatos, dato personal, RGPD, MDM	14	Gobierno de datos

Términos generales de ciencia de datos

Los términos generales de la ciencia de datos nombran la disciplina y su materia prima: qué hace la ciencia que estudia los datos, qué es un conjunto de datos y qué formas pueden tener los datos. Son las palabras que reaparecen en todos los demás temas, así que conviene leerlas primero.

Ciencia de datos (en inglés, data science)

La ciencia de datos es el campo que combina el conocimiento de un tema, la programación y las matemáticas y la estadística para sacar conclusiones útiles de los datos [4]. Su trabajo va de una pregunta a una decisión: conseguir los datos, prepararlos, analizarlos y comunicar el resultado. Su origen y sus disciplinas están en la guía de ciencia de datos.

Conjunto de datos (en inglés, dataset)

Un conjunto de datos es una colección concreta de datos reunida para un fin, como las ventas de un año o los contratos de una entidad. Suele publicarse para descargar; en Colombia, el portal nacional es datos.gov.co, a cargo del Ministerio de Tecnologías de la Información y las Comunicaciones (MinTIC) [5]. La guía de bases de datos explica por qué no es lo mismo que una base.

Datos estructurados, semiestructurados y no estructurados

Los datos estructurados tienen la misma forma en cada registro, como las filas de una tabla. Los semiestructurados tienen un orden general con libertad interna, como un archivo JSON (formato de texto para intercambiar datos) [6]. Los no estructurados, como textos, fotos o videos, carecen de una estructura explícita, según un documento de privacidad del NIST, el instituto de estándares de Estados Unidos [4]. Más en ciencia de datos.

Glosario de análisis de datos

El glosario de análisis de datos reúne los términos del trabajo de examinar datos hasta llegar a una conclusión: los tipos de análisis, la exploración inicial, la limpieza y la diferencia entre cantidades y categorías. Son palabras de método más que de herramienta, y sirven igual en una hoja de cálculo que en un programa.

Análisis de datos (analítica de datos; en inglés, data analysis o data analytics)

El análisis de datos es la aplicación sistemática de técnicas estadísticas o lógicas para describir, resumir y evaluar datos [7]. Su producto es una conclusión con un grado de confianza, no otra tabla. En el uso diario, analítica de datos nombra la misma práctica, con el foco puesto en la organización que decide. Sus seis etapas están en la guía de análisis de datos.

Análisis descriptivo, diagnóstico, predictivo y prescriptivo

El análisis descriptivo, el diagnóstico, el predictivo y el prescriptivo son los cuatro tipos de análisis de datos, ordenados por la pregunta que responden. El descriptivo cuenta qué pasó; el diagnóstico busca por qué pasó; el predictivo estima qué puede pasar, y el prescriptivo recomienda qué hacer. La guía de análisis de datos los nombra y les anuncia guía propia.

Análisis exploratorio de datos (EDA, por su sigla en inglés: exploratory data analysis)

El análisis exploratorio de datos es un enfoque que examina los datos, sobre todo con gráficos, antes de suponer qué modelo los explica [8]. Busca la estructura de fondo, las variables que importan, los valores atípicos y las anomalías [8]. En el enfoque clásico, en cambio, el modelo se impone apenas se recogen los datos [8]. Es la tercera etapa en la guía de análisis de datos.

Datos cuantitativos y cualitativos

Los datos cuantitativos son cantidades que se pueden sumar, restar o promediar, como un precio o una edad. Los cualitativos describen cualidades o categorías, como el municipio de origen o el estado civil. Que un dato se escriba con cifras no lo vuelve cuantitativo: un número de cédula tiene dígitos, pero sumarlo no tiene sentido. Lo trata con ejemplos la guía de análisis de datos.

Limpieza de datos (en inglés, data cleaning)

La limpieza de datos es el trabajo de corregir errores, unificar formatos, quitar duplicados y decidir qué hacer con los valores que faltan antes de analizar. En los procesos de integración de datos figura entre las transformaciones habituales, junto con filtrar, ordenar y validar [9]. Una fecha escrita en dos formatos basta para ordenar mal una serie. Es la segunda etapa en análisis de datos.

Glosario de bases de datos: ACID, claves, índices y normalización

Un glosario de bases de datos define las palabras con que se describe cómo se guardan, se relacionan y se protegen los datos dentro de un sistema: tabla, clave, índice, transacción. Aquí van también las cuatro propiedades ACID, una por una, porque sostienen casi cualquier sistema que registra pagos, ventas o inventarios, y la definición de base de datos terminológica.

ACID (atomicidad, consistencia, aislamiento y durabilidad)

ACID es la sigla, tomada del inglés, de las cuatro propiedades que debe cumplir una transacción en una base de datos: atomicidad, consistencia, aislamiento y durabilidad (atomicity, consistency, isolation, durability). Buscan que los datos sigan siendo válidos aunque muchas personas escriban a la vez y aunque ocurra un error o un corte de energía [1]. La guía de bases de datos cita las garantías ACID al comparar tipos de base.

Aislamiento (en inglés, isolation)

El aislamiento es la propiedad ACID que impide que una transacción vea los cambios de otra antes de que esa otra se confirme [1]. Gracias a ella, dos cajeros que registran ventas al mismo tiempo no trabajan sobre cifras a medio escribir. Cuánto se aísla cada transacción depende del nivel de aislamiento que se configure [1]. Es tema de bases de datos, cuya guía aún no lo desarrolla.

Atomicidad (en inglés, atomicity)

La atomicidad es la propiedad ACID según la cual todas las operaciones de una transacción se completan como una sola unidad, o no se completa ninguna [1]. Si el sistema falla en medio de una transferencia, tras la recuperación no queda a la vista ningún resultado parcial [1]. La guía de bases de datos explica ese «todo o nada» con un inventario.

Base de datos

Una base de datos es un conjunto de datos organizado con reglas. Un programa llamado sistema gestor de bases de datos (SGBD; en inglés, DBMS) la administra para que varias personas la consulten y la cambien sin desordenarla. La ley colombiana de protección de datos personales la define como un conjunto organizado de datos personales sometido a tratamiento [10]. Su guía completa: bases de datos.

Base de datos NoSQL

Una base de datos NoSQL es un almacén no relacional: en lugar de tablas unidas entre sí, guarda documentos tipo JSON, pares clave-valor, columnas anchas o grafos [2]. Suele crecer repartiendo los datos entre muchos servidores. Por lo general no garantiza las propiedades ACID más allá de una partición, cada parte en que se reparte la base [2]. La compara con las relacionales la guía de bases de datos.

Base de datos relacional

Una base de datos relacional guarda los datos en tablas, y cada tabla reúne filas que comparten la misma estructura de columnas [1]. Las tablas se conectan entre sí por valores en común. Edgar F. Codd propuso el modelo en junio de 1970, y hoy se acepta como el modelo de referencia de estos sistemas [11]. Se consulta con SQL, su lenguaje estándar. Más en bases de datos.

Base de datos terminológica

Una base de datos terminológica guarda términos especializados con su definición, su área de uso y sus equivalentes en otros idiomas, como las fichas del Gran Diccionario Terminológico de Quebec [12]. La Unión Europea mantiene IATE, la base terminológica multilingüe de sus instituciones [12]. En Colombia, el DANE ofrece un sistema de consulta de conceptos estandarizados [3]. La guía de bases de datos aún no trata este tipo.

Clave foránea (en inglés, foreign key)

Una clave foránea es una restricción sobre una o varias columnas de una tabla que obliga a que su valor identifique una fila de otra tabla, o ninguna [1]. Así, una venta no puede apuntar a un cliente que no existe. Une las tablas de una base relacional. La guía de bases de datos muestra cómo estas reglas evitan registros huérfanos.

Clave primaria (en inglés, primary key)

Una clave primaria es la columna, o el grupo de columnas, que identifica sin ambigüedad cada fila de una tabla. No admite valores repetidos ni vacíos, y cada tabla tiene como máximo una [1]. El número de cédula en un registro de personas cumple ese papel. La guía de bases de datos usa como ejemplo la referencia única de cada repuesto.

Consistencia (en inglés, consistency)

La consistencia es la propiedad ACID que obliga a que los datos respeten siempre las restricciones de integridad (las reglas que deben cumplir). Si una transacción las incumple y no lo corrige antes de confirmarse, se deshace sola [1]. En el teorema CAP, sobre sistemas repartidos, la palabra significa otra cosa: que todas las máquinas respondan con el dato más reciente [2]. Encaja en bases de datos.

Durabilidad (en inglés, durability)

La durabilidad es la propiedad ACID que garantiza que, una vez confirmada una transacción, sus cambios se conservan aunque después falle el sistema o se caiga el servidor [1]. Si la caja registró un pago y un segundo después se va la luz, el pago sigue ahí cuando vuelve. Es tema de bases de datos, aún sin guía propia.

Índice (en inglés, index)

Un índice es una estructura auxiliar, derivada de una tabla, que permite encontrar y leer sus datos rápido, sin recorrerla completa [1]. Sin índice, el sistema tendría que revisar fila por fila para encontrar un valor. Por eso se crean sobre las columnas por las que más se busca. La guía de SQL muestra cómo el sistema decide si usarlo.

Normalización

La normalización es la forma de diseñar una base de datos para que la información no se repita en varias tablas [13]. Una tabla de ventas normalizada guarda solo la clave del producto, no su nombre, su categoría ni su color: esos datos viven una sola vez, en la tabla de productos [13]. Es tema de bases de datos, aún sin guía propia.

OLTP y OLAP

OLTP (procesamiento de transacciones en línea; online transaction processing) es el tipo de sistema que registra las operaciones del día a día, como pagos o pedidos, a medida que ocurren [14]. OLAP (procesamiento analítico en línea; online analytical processing) organiza grandes volúmenes de datos para cálculos complejos y análisis de tendencias, sin frenar a los sistemas transaccionales [14]. Tema de bases de datos, aún sin guía propia.

Transacción (en inglés, transaction)

Una transacción es un grupo de órdenes que la base de datos ejecuta como si fueran una sola: o todas se cumplen, o ninguna [1]. Sus efectos no son visibles para otras sesiones hasta que termina [1]. Matricular a un estudiante y cobrarle la matrícula es un ejemplo: si falla un paso, no debe quedar solo el otro. La guía de bases de datos la explica.

Glosario de SQL

El glosario de SQL recoge las palabras del lenguaje con que se le habla a una base de datos relacional: qué es una consulta, cómo se agrupan las sentencias en familias y qué hacen órdenes como JOIN, COMMIT o ROLLBACK. Las siglas DDL, DML, DCL y TCL aparecen en cursos y ofertas de empleo, y aquí van con su nombre completo.

COMMIT y ROLLBACK

COMMIT (confirmar) es la orden que cierra una transacción, la vuelve visible para las demás y asegura que sus cambios perduren [1]. ROLLBACK (deshacer) es la orden contraria: anula todo lo hecho desde que empezó la transacción [1]. Entre las dos deciden si un grupo de cambios queda completo o desaparece completo. Aparecen en la tabla de sentencias de la guía de SQL.

Consulta (en inglés, query)

Una consulta es una petición que un programa o una persona envía a la base de datos, casi siempre para obtener resultados o para modificar datos [1]. En SQL, la consulta típica empieza con SELECT, la orden que describe qué columnas y qué filas se quieren. El sistema decide después cómo encontrarlas. Así lo muestra la guía de SQL.

DCL y TCL

DCL (lenguaje de control de datos; data control language) agrupa las sentencias SQL que dan y quitan permisos, como GRANT y REVOKE. TCL (control de transacciones; transaction control language) agrupa las que manejan los cambios hechos con DML (la familia que modifica datos), como COMMIT, ROLLBACK y SAVEPOINT [15]. Oracle cuenta GRANT y REVOKE dentro del DDL, la familia que define la estructura [15]. Ver la tabla de SQL.

DDL (lenguaje de definición de datos; data definition language)

El DDL es la familia de sentencias SQL que crea, cambia o borra la estructura de una base de datos: tablas, índices y otros objetos del esquema, que es la descripción de esa estructura [15]. CREATE, ALTER y DROP son sus órdenes típicas. Trabaja sobre el molde que recibe los datos, no sobre cada registro. La tabla de familias está en la guía de SQL.

DML (lenguaje de manipulación de datos; data manipulation language)

El DML es la familia de sentencias SQL que accede a los datos de objetos ya creados y los modifica [15]. INSERT agrega filas, UPDATE las cambia y DELETE las borra. Algunos fabricantes cuentan SELECT dentro del DML; otros lo separan con el nombre de DQL (lenguaje de consulta de datos). La guía de SQL lo usa en un ejemplo de becas.

JOIN (unión de tablas)

JOIN es la operación, y la palabra clave de SQL, que combina en una sola consulta los datos de varias tablas [1]. Une, por ejemplo, la tabla de ventas con la de clientes a través de la clave que comparten, para ver quién compró cada cosa. Hay varios tipos, según qué filas se conservan cuando no encuentran pareja. La guía de SQL la pone entre lo primero que conviene aprender.

SQL (lenguaje de consulta estructurado; Structured Query Language)

SQL es el lenguaje estándar para crear, consultar y modificar bases de datos relacionales. IBM lo desarrolló para usar el modelo relacional de Codd con el nombre de SEQUEL, que luego se acortó a SQL [11]. Hoy lo define una norma internacional de la ISO (Organización Internacional de Normalización) y la IEC, su par en electrotecnia [16]. Su historia completa está en la guía de SQL.

Glosario de Python para análisis de datos

El glosario de Python para datos define el lenguaje y las piezas con que se carga y se procesa información escribiendo código. Incluye las librerías NumPy y pandas, el cuaderno Jupyter y las puertas por donde llegan los datos, como una API o un archivo JSON. Una librería es un paquete de código ya escrito que se instala y se usa sin tener que programarlo de nuevo.

API (interfaz de programación de aplicaciones; application programming interface)

Una API es un punto de acceso, con reglas de escritura bien definidas, por el que un programa le pide datos o funciones a otro [4]. Es la puerta por la que una aplicación consulta, por ejemplo, el pronóstico del clima o un portal de datos abiertos sin abrir una página web. La guía de Python la presenta como una de las cuatro puertas de los datos.

JSON (JavaScript Object Notation)

JSON es un formato de texto liviano, independiente del lenguaje de programación, para intercambiar datos entre sistemas [17]. Organiza la información en pares de nombre y valor, y en listas, de modo que una persona puede leerla y un programa puede procesarla [17]. Muchas API responden en este formato. pandas lo lee, como cuenta la guía de Python.

Jupyter Notebook (cuaderno de Jupyter)

Jupyter Notebook es una aplicación web para crear y compartir documentos computacionales, es decir, archivos que guardan juntos el código, sus resultados y el texto que los explica [18]. JupyterLab, el entorno web más reciente del mismo proyecto, reúne en el navegador cuadernos, código y datos [18]. Forma parte del kit mínimo de la guía de Python.

NumPy

NumPy es el paquete fundamental para el cálculo científico en Python [18]. Su pieza central es el ndarray, un arreglo de n dimensiones: una tabla de números del mismo tipo que se opera de una sola vez, sin recorrerla elemento por elemento [18]. La versión vigente de su manual es la 2.5. Su papel en el kit lo explica la guía de Python.

pandas (DataFrame)

pandas es la librería de Python para trabajar con tablas. Su estructura principal, el DataFrame, es una tabla de dos dimensiones con filas y columnas etiquetadas, cuyo tamaño puede cambiar y cuyas columnas pueden ser de tipos distintos [18]. Funciona como una hoja de cálculo manejada con instrucciones escritas. La guía de Python trae un ejemplo completo con pandas.

Python

Python es un lenguaje de programación interpretado: el computador ejecuta las instrucciones sin el paso previo de compilarlas, lo que ahorra tiempo al probar ideas [18]. Sirve para casi cualquier tarea, desde automatizar archivos hasta entrenar modelos, y su documentación oficial, hoy en la versión 3.15.0, tiene traducción al español [18]. Por qué domina el análisis de datos está en la guía de Python.

Glosario de Excel para análisis de datos

El glosario de Excel para análisis de datos explica las herramientas que la hoja de cálculo de Microsoft trae para ordenar y resumir información sin programar: la tabla dinámica, Power Query y las macros. Son los términos que separan un uso casero de Excel de un uso analítico, con pasos que otra persona puede revisar.

Hoja de cálculo (en inglés, spreadsheet)

Una hoja de cálculo es un programa que organiza datos en una cuadrícula de filas y columnas, donde cada celda puede guardar un valor o una fórmula que calcula a partir de otras celdas. En mi experiencia, Excel, de Microsoft, es la que más se encuentra en las oficinas colombianas. Sirve como base de datos pequeña, aunque no reemplaza a un gestor. Ver Excel para análisis de datos.

Macro (VBA)

Una macro es una secuencia de acciones grabada para repetirla con un clic. En Excel, la grabadora de macros guarda cada paso como código de VBA (Visual Basic para Aplicaciones), un lenguaje de programación de Microsoft [19]. Automatiza tareas repetidas, como dar formato o importar datos, pero no analiza por sí sola. La guía de Excel la distingue de una función.

Power Query (lenguaje M)

Power Query es el motor de preparación y transformación de datos que viene en Excel y en Power BI [19]. Se conecta a muchos orígenes y hace el proceso de extracción, transformación y carga (ETL) sin modificar los datos de origen, porque registra cada transformación como un paso [19]. Por debajo, todo se escribe en un lenguaje de fórmulas llamado M [19]. Más en Excel.

Tabla dinámica (en inglés, PivotTable)

Una tabla dinámica es una herramienta de Excel para calcular, resumir y analizar datos sin escribir fórmulas, que deja ver comparaciones, patrones y tendencias [19]. Se arma arrastrando campos hacia filas, columnas y valores. Necesita datos en columnas con una sola fila de encabezado, y hay que actualizarla cuando cambia el origen. Su trampa conocida está en la guía de Excel.

Glosario de estadística para ciencia de datos

El glosario de estadística define las medidas y las pruebas con que se resume un conjunto de datos y se decide cuánto confiar en una conclusión: media, mediana, desviación estándar, intervalo de confianza, valor p. La estadística es la parte del oficio que pone un margen de duda al lado de cada cifra.

Desviación estándar (y varianza)

La desviación estándar mide cuánto se alejan los datos de su promedio, en las mismas unidades que los datos. Es la raíz cuadrada de la varianza, que resume las distancias al cuadrado entre cada dato y la media [8]. Una desviación pequeña indica datos parecidos entre sí; una grande, datos muy dispersos. La guía de estadística la incluye en la estadística descriptiva.

Estadística descriptiva

La estadística descriptiva es la rama que cuenta qué hay en un conjunto de datos: cuál es el valor típico, cuánto varían los datos y cómo se reparten, con medidas, tablas y gráficos. Habla solo de los casos observados; para extender una conclusión a quienes no se midieron hace falta la inferencia. Es el primer bloque de la guía de estadística.

Inferencia estadística

La inferencia estadística saca conclusiones sobre un grupo grande, la población, a partir de un grupo pequeño que sí se observó, la muestra. Siempre entrega dos cosas: una estimación y su margen de error. Una encuesta a unos miles de hogares que estima el desempleo de todo un país es un ejercicio de inferencia. La guía de estadística la desarrolla con un caso real.

Intervalo de confianza

Un intervalo de confianza es un rango de valores que probablemente contiene el valor verdadero que se quiere conocer en la población, como un promedio [8]. Su nivel, a menudo del 95 %, quiere decir que, si el muestreo se repitiera muchas veces, los intervalos calculados así acertarían en cerca del 95 % de los casos [8]. Hay un ejemplo con el DANE en estadística.

Media (promedio)

La media, o promedio, es la suma de todos los datos dividida entre el número de datos [8]. Es fácil de calcular, pero un solo valor extremo la arrastra: un sueldo muy alto en una oficina pequeña sube la media de todos. Por eso conviene leerla junto a la mediana. Las dos están en la guía de estadística.

Mediana

La mediana es el valor que deja la mitad de los datos por debajo y la otra mitad por encima cuando se ordenan de menor a mayor [8]. A diferencia de la media, casi no se mueve cuando aparece un valor extremo, y por eso se prefiere para ingresos o precios de vivienda. Con un número par de datos, es el promedio de los dos centrales. Ver estadística.

Muestra y población

La población es el conjunto completo de casos sobre los que se quiere concluir: todos los hogares de un país o todos los clientes de una empresa. La muestra es la parte de esa población que sí se observa. Si se escoge al azar con reglas conocidas, permite estimar cómo es la población y cuánto puede equivocarse esa estimación. Ver estadística.

Prueba de hipótesis (hipótesis nula y nivel de significancia)

Una prueba de hipótesis es un mecanismo para tomar decisiones cuantitativas sobre un proceso a partir de datos [8]. Parte de una conjetura llamada hipótesis nula, por ejemplo que dos grupos no difieren, y decide si los datos la contradicen lo suficiente. El riesgo aceptado de rechazarla cuando es cierta se llama nivel de significancia [8]. Ver estadística.

Regresión lineal

La regresión lineal es una técnica estadística para encontrar la relación entre variables [20]: estima cuánto cambia en promedio una variable cuando otra aumenta en una unidad. Se dibuja como la recta que pasa lo más cerca posible de los puntos. La usan la estadística, para explicar, y el machine learning (aprendizaje automático), para predecir. Ver estadística.

Valor atípico (en inglés, outlier)

Un valor atípico es una observación que se aparta de forma marcada del resto de la muestra [8]. Puede ser un error de digitación o un caso real fuera de lo común, y la diferencia importa: borrarlo sin revisarlo puede eliminar justo lo que se buscaba. La guía de análisis de datos lo ubica en la etapa de exploración.

Valor p (en inglés, p-value)

El valor p indica qué tan incompatibles son los datos con un modelo estadístico dado; no mide la probabilidad de que la hipótesis estudiada sea cierta [21]. La Asociación Estadounidense de Estadística (ASA) lo advirtió en seis principios en 2016. Su director ejecutivo, Ron Wasserstein, lo resumió así: «El valor p nunca se pensó como un sustituto del razonamiento científico» [21]. Ver estadística.

Glosario de visualización de datos

El glosario de visualización de datos reúne los términos para mostrar cifras de modo que alguien las entienda de un vistazo. Incluye los gráficos que enseñan cómo se reparten los datos, los tableros que vigilan indicadores y la inteligencia de negocios, que los usa para decidir.

Dashboard (tablero de control)

Un dashboard o tablero es una sola pantalla que reúne varios gráficos para seguir de un vistazo los indicadores más importantes de una organización. En Power BI, por ejemplo, es una página única con mosaicos que se actualizan cuando cambian los datos; los detalles quedan en los informes que la alimentan [19]. Ver visualización de datos.

Diagrama de caja (en inglés, box plot)

Un diagrama de caja resume cómo se reparten unos datos con cinco referencias: el mínimo, el primer cuartil, la mediana, el tercer cuartil y el máximo [8]. Un cuartil es el valor que separa una cuarta parte de los datos. La caja abarca la mitad central, y los bigotes llegan a los extremos [8]. La guía de visualización lo nombra entre los tipos de gráfico.

Histograma

Un histograma es un gráfico que resume cómo se distribuye una sola variable [8]. Divide el rango de los datos en intervalos de igual tamaño, llamados clases, y dibuja una barra por intervalo con la cantidad de casos que caen en él [8]. Muestra dónde se concentran los datos y si se cargan hacia un lado. La guía de visualización lo nombra sin desarrollarlo.

Inteligencia de negocios (BI, por su sigla en inglés: business intelligence)

La inteligencia de negocios es el uso de reportes y tableros para seguir lo que pasa en una organización y decidir con esa información. Mira sobre todo lo que ya ocurrió. Power BI, la plataforma de análisis de negocios de Microsoft, es una de sus herramientas: conecta datos, los visualiza y los comparte [19]. Ver visualización de datos.

Visualización de datos

La visualización de datos traduce números a imágenes, como gráficos, mapas o tableros, para que el ojo haga en segundos una comparación que en una tabla tomaría minutos. Cada gráfico decide qué diferencia verá primero el lector y cuál quedará escondida. Por qué el ojo compara mejor unas formas que otras lo explica la guía de visualización de datos.

Glosario de ingeniería de datos: ETL, data lake y data warehouse

El glosario de ingeniería de datos define las piezas del camino que recorren los datos desde donde nacen hasta donde se analizan: los procesos ETL y ELT, los almacenes y los lagos de datos, la orquestación y la nube. Varias de estas palabras circulan solo en inglés en el trabajo diario, así que aquí van con su equivalente en español.

Computación en la nube (en inglés, cloud computing)

La computación en la nube es un modelo para usar por red, cuando se necesitan, recursos de cómputo compartidos, como servidores o almacenamiento, que se asignan y se liberan rápido y con poca gestión [4]. En datos, permite pagar por uso en lugar de comprar servidores propios. La guía de ingeniería de datos compara precios por capa.

Data lake (lago de datos)

Un data lake o lago de datos es un repositorio que guarda grandes volúmenes de datos en su formato original y los transforma solo cuando alguien los necesita, enfoque llamado esquema en lectura [6]. Admite tablas, archivos JSON, registros, imágenes o audio [6]. Si se combina con la consulta estructurada de un almacén, se habla de lakehouse [6]. Ver ingeniería de datos.

Data warehouse (almacén de datos)

Un data warehouse o almacén de datos guarda datos estructurados y depurados, organizados en esquemas relacionales, para hacer consultas analíticas rápidas [6]. A diferencia del lago de datos, impone la estructura y transforma los datos al recibirlos, enfoque llamado esquema en escritura [6]. Es la base habitual de los reportes de inteligencia de negocios. Ver ingeniería de datos.

ELT (extraer, cargar y transformar; extract, load, transform)

ELT es la variante del proceso ETL en la que los datos se cargan primero en el almacén de destino y se transforman después, con la capacidad de cálculo de ese mismo almacén [9]. Elimina el motor de transformación aparte, pero exige un destino potente [9]. Sus usos típicos están en el big data [9]. La guía de ingeniería de datos lo contrasta con el ETL.

Esquema en estrella (tablas de hechos y de dimensiones)

El esquema en estrella modela un almacén de datos con dos tipos de tablas [13]. Las tablas de hechos guardan eventos u observaciones, como ventas o pagos, con columnas numéricas para resumir. Las de dimensiones describen las entidades del negocio, como productos, personas o fechas, y sirven para filtrar y agrupar [13]. Al dibujarlo, los hechos quedan al centro. Encaja en ingeniería de datos, aún sin guía propia.

ETL (extraer, transformar y cargar; extract, transform, load)

ETL es el proceso de integración que extrae datos de varias fuentes, los transforma según las reglas del negocio y los carga en un almacén unificado [9]. La transformación incluye filtrar, ordenar, agregar, unir, limpiar, quitar duplicados y validar [9]. Power Query, dentro de Excel, hace lo mismo a pequeña escala [19]. La guía de ingeniería de datos lo define con su variante ELT.

Ingeniería de datos

La ingeniería de datos se ocupa de mover y preparar los datos: diseña y mantiene los sistemas que los recogen donde se producen, los transforman y los entregan a quien los analiza. Se juzga por lo que no falla, es decir, por que los datos lleguen completos, a tiempo y con el formato pactado. Sus seis capas están en la guía de ingeniería de datos.

Orquestación (orquestador de flujos)

La orquestación es la coordinación automática de las tareas de un flujo de datos: qué corre primero, a qué hora y qué pasa si un paso falla. El orquestador es el programa que la hace. Apache Airflow, por ejemplo, es una plataforma de código abierto para desarrollar, programar y monitorear flujos de trabajo [22]. Ver ingeniería de datos.

Pipeline de datos (flujo de datos)

Un pipeline de datos es una cadena de pasos automáticos que mueve datos de un sistema a otro y los transforma en el camino. Hace falta porque las organizaciones reúnen datos de muchas fuentes y formatos, y casi siempre deben limpiarlos o darles forma antes de cargarlos [9]. Un proceso ETL es un tipo de pipeline. Ver ingeniería de datos.

Procesamiento por lotes y en flujo (batch y streaming)

El procesamiento por lotes mueve y transforma datos en paquetes, a horas programadas, como un cierre diario. El procesamiento en flujo trabaja cada dato a medida que llega, para reaccionar casi al instante, como al detectar un fraude [9]. Apache Kafka es una plataforma para este segundo caso: publica, guarda y procesa flujos de eventos [22]. Ver ingeniería de datos.

Glosario de big data

El glosario de big data reúne los términos de lo que pasa cuando los datos ya no caben, o no se procesan a tiempo, en un solo computador. Incluye las V que lo definen, el reparto del trabajo entre máquinas y las herramientas del ecosistema Apache, como Hadoop y Spark.

Big data (datos masivos)

Big data, o datos masivos, designa conjuntos de datos tan grandes en volumen, variedad, velocidad o variabilidad que necesitan una arquitectura escalable (un sistema que crece sumando máquinas) para guardarse, procesarse y analizarse con eficiencia [4]. La definición no fija un tamaño mínimo: cuenta el punto en que una sola máquina ya no da abasto. Ver big data.

Escalado horizontal y vertical

El escalado vertical da más capacidad a un sistema mejorando la máquina que ya existe, con más memoria o más recursos. El escalado horizontal la da añadiendo más máquinas que trabajan en paralelo. Las bases relacionales suelen crecer en vertical, y las NoSQL, en horizontal, repartiendo los datos entre servidores comunes [2]. La guía de big data explica las dos vías.

Hadoop (Apache Hadoop y YARN)

Hadoop es un proyecto de código abierto de la Fundación Apache para la computación distribuida confiable y escalable [22]. Procesa grandes conjuntos de datos repartidos en un clúster, es decir, un grupo de computadores conectados [22]. Sus módulos principales son HDFS, para guardar; YARN, para programar trabajos y administrar recursos, y MapReduce, para calcular [22]. Ver big data.

HDFS (sistema de archivos distribuido de Hadoop; Hadoop Distributed File System)

HDFS es el sistema de archivos distribuido de Hadoop, pensado para dar acceso de alto rendimiento, es decir, mucho volumen por segundo, a los datos de las aplicaciones [22]. Guarda cada archivo como una secuencia de bloques y copia esos bloques en varias máquinas, para que los datos sobrevivan si una falla [22]. Un bloque típico mide 128 megabytes [22]. Ver big data.

MapReduce

MapReduce es el módulo de Hadoop para procesar en paralelo grandes conjuntos de datos, montado sobre YARN [22]. Trabaja en dos fases. En la de map, cada máquina procesa su parte de los datos y produce resultados parciales. En la de reduce, esos parciales se agrupan por una clave común y se combinan, por ejemplo sumándolos. La guía de big data lo compara con un escrutinio.

Spark (Apache Spark)

Apache Spark es un motor unificado de análisis para procesar datos a gran escala [22]. En su versión 4.2.0 corre con Java, Scala y Python, y mantiene R como opción obsoleta [22]. Trae Spark SQL para consultar datos estructurados, y se puede ejecutar en un solo computador con solo tener Java instalado [22]. Ver big data.

V del big data

Las V del big data son las características que obligan a cambiar de arquitectura. Son volumen (cuántos datos hay), velocidad (a qué ritmo llegan), variedad (cuántos tipos y fuentes se mezclan) y variabilidad (cuánto cambian ese ritmo, ese formato o ese tamaño) [4]. Algunas listas añaden la veracidad, que es la exactitud de los datos, y el valor. La guía de big data da señales prácticas de cada una.

Glosario de machine learning e inteligencia artificial

El glosario de machine learning define el vocabulario de los programas que aprenden de ejemplos y de la inteligencia artificial generativa: modelo, sobreajuste, LLM, prompt. Casi todos estos términos nacieron en inglés, y la mayoría de las definiciones parte del glosario de aprendizaje automático que Google publica para desarrolladores [20].

Aprendizaje automático (machine learning, ML)

El aprendizaje automático, o machine learning, es la rama de la inteligencia artificial en la que un programa entrena un modelo a partir de datos de entrada, en lugar de seguir reglas escritas a mano [20]. El modelo aprende de ejemplos y luego responde casos nuevos. Clasificar correos o pronosticar ventas son tareas típicas. La guía de machine learning explica cómo aprende.

Aprendizaje no supervisado

El aprendizaje no supervisado entrena un modelo para encontrar patrones en datos que, por lo general, no traen la respuesta correcta, es decir, no tienen etiquetas [20]. Su uso típico es el agrupamiento (clustering): reunir casos parecidos, como clientes con hábitos de compra similares [20]. K-means, un algoritmo que forma grupos, es popular para esa tarea [20]. Ver machine learning.

Aprendizaje por refuerzo

El aprendizaje por refuerzo es una familia de algoritmos que aprenden la mejor forma de actuar en un entorno, con el objetivo de maximizar la recompensa que acumulan al interactuar con él [20]. No parte de ejemplos resueltos, sino de ensayo y error con premios y castigos. La guía de machine learning da ejemplos con robots y juegos.

Aprendizaje profundo (deep learning) y red neuronal

El aprendizaje profundo es la parte del machine learning que usa redes neuronales con más de una capa oculta [20]. Una red neuronal es un modelo hecho de unidades de cálculo conectadas en capas, que transforma los datos paso a paso; las capas ocultas quedan entre la entrada y la salida [20]. La guía de machine learning lo distingue en sus preguntas frecuentes.

Aprendizaje supervisado (clasificación y regresión)

El aprendizaje supervisado entrena un modelo con ejemplos que traen sus características y la respuesta correcta, llamada etiqueta [20]. Tiene dos tareas típicas. En la clasificación, la predicción es una categoría, como «correo basura» o «correo normal». En la regresión, es un número, como un precio [20]. La guía de machine learning trae un caso del Banco de la República.

Característica y etiqueta (feature y label)

En machine learning, una característica es una variable de entrada del modelo, como la edad de un cliente o el tamaño de una casa [20]. La etiqueta es la respuesta que se quiere predecir en el aprendizaje supervisado, como si el cliente pagó o cuánto costó la casa [20]. Un ejemplo de entrenamiento reúne ambas. Ver machine learning.

Conjunto de prueba y de validación

El conjunto de prueba es la parte de los datos que se reserva para evaluar un modelo ya entrenado [20]. El de validación hace una primera evaluación del modelo durante el ajuste, para comparar versiones [20]. Separarlos evita medir el acierto con los mismos datos con que el modelo aprendió. La guía de machine learning explica por qué.

IA generativa (inteligencia artificial generativa)

La IA generativa es el campo de los modelos que crean contenido nuevo, como textos, imágenes, audio o código, a partir de lo que aprendieron de grandes cantidades de datos. El glosario de Google la describe como un campo emergente y transformador, sin una definición formal [20]. Los LLM, modelos que generan texto, son un ejemplo. La guía de machine learning la presenta como familia aparte.

Inteligencia artificial (IA)

La inteligencia artificial es el campo de los programas o modelos no humanos capaces de resolver tareas complejas, como traducir un texto o detectar enfermedades en imágenes médicas [20]. El machine learning es, formalmente, una de sus ramas [20]. Colombia tiene una política nacional de inteligencia artificial desde 2025, aprobada por el CONPES (Consejo Nacional de Política Económica y Social) [23]. Ver machine learning.

LLM (modelo de lenguaje grande; large language model)

Un LLM, o modelo de lenguaje grande, es un modelo de lenguaje con un número muy alto de parámetros, los valores internos que se ajustan al entrenar [20]. Trabaja con tokens, las unidades mínimas de texto sobre las que se entrena y predice [20]. Los asistentes conversacionales funcionan con modelos de este tipo. La guía de IA generativa, dentro de machine learning, está pendiente.

Modelo (entrenamiento e inferencia)

En machine learning, un modelo es cualquier construcción matemática que recibe datos de entrada y devuelve un resultado [20]. El entrenamiento es el proceso de encontrar los parámetros que hacen ese resultado el mejor posible [20]. La inferencia es usar el modelo ya entrenado para predecir casos que no traen respuesta [20]. Lo explica paso a paso la guía de machine learning.

Prompt (instrucción)

Un prompt es cualquier texto que se le entrega a un modelo de lenguaje grande para condicionar su respuesta: una pregunta, una orden o un ejemplo [20]. Su redacción cambia mucho el resultado, y por eso escribirlos con precisión se volvió un oficio con nombre propio, la ingeniería de prompts. Es tema de IA generativa, aún sin guía en machine learning.

RAG (generación aumentada por recuperación; retrieval-augmented generation)

RAG es una técnica para mejorar la calidad de las respuestas de un LLM anclándolas en fuentes de conocimiento que se consultan aparte de su entrenamiento [20]. En vez de responder solo con lo que aprendió, el modelo recibe primero fragmentos de documentos pertinentes, como los manuales de una organización, y responde con ellos a la mano. Es tema de IA generativa, dentro de machine learning.

Sobreajuste (overfitting)

El sobreajuste ocurre cuando un modelo acierta con los datos con que se entrenó y falla con los nuevos. El glosario de Google lo define como «crear un modelo que se ajusta tan de cerca a los datos de entrenamiento que el modelo no logra hacer predicciones correctas con datos nuevos» [20]. La guía de machine learning explica cómo se detecta.

Glosario de estructuras de datos y algoritmos

El glosario de estructuras de datos y algoritmos define las formas de organizar la información dentro de un programa, los procedimientos que la procesan y la notación con que se mide su costo. La mayoría de las definiciones sigue el diccionario de algoritmos y estructuras de datos del NIST, el instituto de estándares de Estados Unidos [24].

Algoritmo

Un algoritmo es un conjunto de pasos que se pueden calcular para llegar a un resultado deseado [24]. Una receta de cocina se le parece, con una diferencia: cada paso del algoritmo debe ser tan preciso que una máquina lo ejecute sin interpretar nada. Ordenar una lista es un problema algorítmico típico. Ver estructuras de datos y algoritmos.

Algoritmo de ordenamiento

Un algoritmo de ordenamiento acomoda los elementos de una colección en un orden fijado de antemano, por ejemplo de menor a mayor [24]. Hay decenas. La elección depende de cuántos elementos hay frente a la memoria disponible, de qué tan ordenados vienen y de cuánto cuesta comparar frente a mover [24]. Burbuja, inserción, merge sort y quicksort figuran en el temario de algoritmos.

Arreglo (en inglés, array)

Un arreglo es una colección de elementos a los que se accede directamente por un número entero, su índice o posición [24]. Leer el elemento de la posición 500 cuesta lo mismo que leer el de la posición 1, porque no hay que pasar por los anteriores. Es una de las estructuras más simples. La guía de algoritmos compara su costo con otras.

Búsqueda binaria

La búsqueda binaria encuentra un valor en un arreglo ordenado partiendo el intervalo de búsqueda por la mitad una y otra vez [24]. Compara el valor buscado con el del medio y descarta la mitad donde no puede estar. Con un millón de datos ordenados, unas veinte comparaciones bastan. Su historia se cuenta en la guía de algoritmos.

Cola (en inglés, queue; FIFO)

Una cola es una colección en la que solo se puede atender el elemento que llegó primero: los nuevos entran por el final y los que salen lo hacen por el frente [24]. Por eso se le dice FIFO, del inglés first in, first out: el primero que entra es el primero que sale [24]. Es la fila de un banco hecha estructura. Ver algoritmos.

Estructura de datos

Para el diccionario del NIST, una estructura de datos es una organización de la información, por lo general en memoria, pensada para que los algoritmos rindan más [24]. Pilas, colas, listas, árboles y tablas hash son ejemplos. Escoger una u otra decide cuánto tiempo y cuánta memoria cuesta cada operación. La guía de algoritmos lo muestra con un ejemplo en Python.

Grafo

Un grafo es un conjunto de elementos, llamados vértices o nodos, unidos por conexiones llamadas aristas [24]. Sirve para representar redes: calles entre esquinas, rutas entre ciudades o contactos en una red social. Sobre los grafos trabaja el algoritmo de Dijkstra, que halla los caminos más cortos desde un punto cuando ninguna distancia es negativa [24]. Ver algoritmos.

Notación O grande (en inglés, Big O)

La notación O grande es una medida teórica de cuánto tiempo o cuánta memoria necesita un algoritmo según el tamaño del problema, n, que suele ser el número de elementos [24]. O(n) significa que el costo crece en proporción a los datos; O(1), que no crece. Sirve para comparar algoritmos antes de ejecutarlos. Hay una tabla de costos en algoritmos.

Pila (en inglés, stack; LIFO)

Una pila es una colección en la que solo se puede sacar el último elemento que entró [24]. Sus operaciones básicas son apilar (push) y desapilar (pop). Se le dice LIFO, del inglés last in, first out: el último que entra es el primero que sale [24]. Funciona como una torre de platos. Ver algoritmos.

Tabla hash (en inglés, hash table)

Una tabla hash es un diccionario que ubica cada clave en una posición de un arreglo calculada con una fórmula, la función hash [24]. Por eso encuentra un valor casi de inmediato, sin recorrer los demás. Cuando dos claves caen en la misma posición se produce una colisión, que la tabla debe resolver [24]. La guía de algoritmos mide su velocidad en Python.

Roles en ciencia de datos

Los roles en ciencia de datos son los puestos que se forman alrededor de los datos, cada uno con tareas distintas: quien responde preguntas, quien construye modelos, quien construye los conductos y quien pone los modelos a funcionar. Las definiciones se apoyan en la clasificación europea de ocupaciones y en las descripciones de puesto que publica Google para sus certificaciones [25][26].

Analista de datos

Un analista de datos importa, revisa, limpia, valida, modela e interpreta datos para responder preguntas ligadas a los objetivos de una organización, según ESCO, la clasificación de ocupaciones de la Comisión Europea [25]. También comprueba que las fuentes den datos coherentes y fiables, y presenta resultados en gráficos y paneles [25]. Su ruta de aprendizaje está en cómo aprender ciencia de datos.

Científico de datos

Un científico de datos detecta e interpreta fuentes de datos, gestiona grandes volúmenes, los combina y se apoya en modelos matemáticos para sacar conclusiones, según la clasificación ESCO [25]. Además, comunica sus hallazgos a especialistas y, si hace falta, a un público no especializado [25]. Pide más estadística y programación que el analista. Ver cómo aprender ciencia de datos.

Ingeniero de datos

Un ingeniero de datos construye y mantiene los sistemas que recogen, transforman, guardan y entregan los datos para que otros los usen. Google lo describe así en su certificación profesional: facilita las decisiones basadas en datos mediante la recopilación, la transformación, el almacenamiento y la entrega de datos para distintas aplicaciones [26]. Ver cómo aprender ciencia de datos.

Ingeniero de machine learning

Un ingeniero de machine learning lleva los modelos de aprendizaje automático del experimento al uso real. Según la certificación profesional de Google, crea, evalúa, pone en producción y optimiza soluciones de inteligencia artificial [26]. Es el puente entre quien diseña un modelo y el sistema donde ese modelo trabaja todos los días. Ver cómo aprender ciencia de datos.

Glosario de gobierno y protección de datos

El glosario de gobierno y protección de datos define quién decide sobre los datos de una organización, cómo se describe y se rastrea cada dato y qué exige la ley cuando los datos son de personas. Incluye el marco colombiano, con el hábeas data y la ley de protección de datos personales, y el reglamento europeo como punto de contraste.

Anonimización (desidentificación)

La anonimización es el proceso de romper la asociación entre un conjunto de datos y la persona a la que se refieren [4], hasta que ya no se la pueda identificar. Es más exigente que la seudonimización: según el reglamento europeo, la información de verdad anónima queda fuera de las reglas de protección de datos, y la seudonimizada no [27]. Tema de gobierno de datos, aún sin guía propia.

Calidad de datos

La calidad de datos es el grado en que los datos son exactos, completos y confiables para el uso que se les quiere dar [28]. Para DAMA International, la red internacional de profesionales de la gestión de datos, es una de las áreas de esa gestión, junto con el gobierno, la seguridad y los metadatos [28]. Ver gobierno de datos.

Data steward (custodio o responsable de datos)

Un data steward es la persona o el equipo que vela por que se cumplan las reglas sobre un conjunto de datos [4]. Mantiene los nombres, las definiciones de negocio, las reglas de integridad y los valores válidos de los datos de su área, y trabaja para mejorar su calidad [4]. En español se le llama custodio, administrador o responsable de datos. Ver gobierno de datos.

Dato personal

Un dato personal es cualquier información que permite identificar a una persona natural, de forma directa o indirecta. La ley colombiana de protección de datos personales lo define como «Cualquier información vinculada o que pueda asociarse a una o varias personas naturales determinadas o determinables» [10]. Un nombre o un número de cédula lo son. Ver gobierno de datos.

Dato sensible

Un dato sensible es un dato personal que afecta la intimidad de su titular o cuyo uso indebido puede generarle discriminación [10]. La ley colombiana pone como ejemplos, entre otros, el origen racial o étnico, los datos de salud y los datos biométricos, como la huella dactilar [10]. Su tratamiento tiene reglas más estrictas. La guía de gobierno de datos trata la privacidad en general.

Datos abiertos

Los datos abiertos son datos primarios o sin procesar, en formatos estándar e interoperables (que distintos sistemas pueden leer), que las entidades públicas o privadas con funciones públicas ponen a disposición de cualquier persona. Se publican sin restricciones para que otros los reutilicen y creen servicios, según la ley colombiana de transparencia [5]. El portal nacional es datos.gov.co [5]. Ver gobierno de datos.

Datos maestros y gestión de datos maestros (MDM, por su sigla en inglés: master data management)

Los datos maestros son los datos básicos de las entidades centrales de una organización, como clientes, productos o proveedores, que muchos sistemas comparten. La gestión de datos maestros (MDM) crea una fuente única de verdad: registros maestros sin duplicados contra los cuales se comparan los demás datos para saber si son confiables [29]. Encaja en gobierno de datos, aún sin guía propia.

Diccionario de datos

Un diccionario de datos es el documento o catálogo que describe cada campo de una base o de un conjunto de datos: su nombre, su tipo, su significado y los valores que admite. Es una forma de metadatos (datos que describen otros datos), y mantenerlo al día es tarea del data steward [4]. La guía de gobierno de datos lo agrupa con los metadatos y el catálogo.

Gobierno de datos (gobernanza de datos; en inglés, data governance)

El gobierno de datos es el sistema de responsabilidades, políticas y derechos de decisión que asegura que los datos de una organización se gestionen bien [28]. Responde quién decide sobre cada dato, quién responde si está mal y bajo qué reglas se usa. Gobernanza de datos es su sinónimo. La guía de gobierno de datos lo separa de la gestión diaria.

Hábeas data

El hábeas data es el derecho de toda persona a conocer, actualizar y rectificar la información que se haya recogido sobre ella en bases de datos o archivos. La Constitución colombiana lo reconoce, y la ley de protección de datos personales de 2012 lo desarrolla [10]. Por eso cualquier base con datos de personas debe poder responder qué guarda y corregirlo. Ver gobierno de datos.

Linaje de datos (procedencia; en inglés, data lineage)

El linaje de datos es el registro del recorrido de un dato: de dónde salió, quién lo ha tenido, dónde ha estado y qué cambios ha sufrido. El NIST lo llama procedencia: la cronología del origen, el desarrollo, la propiedad, la ubicación y los cambios de un sistema y de sus datos [4]. Permite rastrear un error hasta su causa. Ver gobierno de datos.

Metadatos (en inglés, metadata)

Los metadatos son información que describe las características de otros datos [4]. Los estructurales cuentan su formato, su sintaxis y su significado; los descriptivos, su contenido [4]. La fecha de una foto, el autor de un archivo o el tipo de una columna son metadatos. Un catálogo de datos los reúne para que cualquiera los encuentre. Ver gobierno de datos.

RGPD (Reglamento General de Protección de Datos; en inglés, GDPR)

El RGPD es el reglamento de la Unión Europea sobre protección de datos personales, adoptado en 2016 [27]. Define dato personal como toda información sobre una persona física identificada o identificable, y considera identificable a quien se puede identificar de forma directa o indirecta [27]. Sirve de contraste con la ley colombiana. La guía de gobierno de datos aún no lo trata.

Seudonimización

La seudonimización es el tratamiento de datos personales que reemplaza los identificadores directos, como el nombre o la cédula, por un seudónimo [4]. Así, los datos ya no se pueden atribuir a una persona sin información adicional, que debe guardarse aparte y protegida [27]. Para el reglamento europeo, siguen siendo datos personales [27]. Tema de gobierno de datos, aún sin guía propia.

Lo que una definición no resuelve

Vuelvo a Diana. Ninguna entrada de este glosario le habría evitado el corte de red. Le habría dado algo más modesto y más útil: la pregunta correcta antes de firmar. ¿Consistente en qué sentido?

Opino que el vocabulario es una de las primeras barreras de entrada a los datos en Colombia, y que pesa tanto como el software. Muchas herramientas de entrada son gratuitas, pero buena parte de su documentación está en inglés. Las siglas llegan sin traducir a contratos, ofertas de empleo y reuniones. Quien no las entiende negocia en desventaja, aunque tenga la razón.

Un glosario público y en español no cierra esa brecha. Baja el primer escalón. El DANE lo hace para las estadísticas oficiales con sus conceptos estandarizados [3], y cualquier organización que trabaje con datos puede hacer lo mismo con su propio vocabulario: una lista corta, con definiciones que todos acepten antes de la siguiente reunión.

La pregunta para Diana, y para usted: ¿qué palabra de su trabajo usa todos los días sin estar seguro de que significa lo mismo para quien la escucha?

Preguntas frecuentes

¿Qué diferencia hay entre un glosario y un diccionario de datos? Un glosario define conceptos que valen en cualquier organización, como «clave primaria» o «valor p». Un diccionario de datos describe las columnas de un sistema concreto: cómo se llama cada campo de la tabla de clientes de su empresa y qué valores acepta. El primero se escribe una vez para todo un oficio; el segundo se mantiene sistema por sistema, casi siempre a cargo de un data steward [4].

¿Todas las bases de datos cumplen las propiedades ACID? No. Las relacionales, como PostgreSQL o SQL Server, ofrecen esas garantías [2]. Muchas NoSQL, en cambio, solo las aseguran dentro de una partición, y a cambio ganan disponibilidad y facilidad para crecer [2]. Existen además las llamadas NewSQL, que buscan juntar la escala de las NoSQL con las garantías ACID [2]. La elección depende de qué le cuesta más a su negocio: un dato desactualizado unos segundos o un sistema que no responde.

¿Un glosario es lo mismo que una base de datos terminológica? Se parecen, pero no son lo mismo. Un glosario es una lista breve de términos con su definición, pensada para leerse de corrido. Una base de datos terminológica es un sistema de consulta con muchas fichas, cada una con la definición, el área, el autor y los equivalentes en varios idiomas [12]. IATE, la de las instituciones europeas, es un ejemplo [12].

¿Conviene usar los términos en inglés o en español? Depende de quién lea. En un informe para directivos o para la ciudadanía, el término en español se entiende mejor: tablero en lugar de dashboard, aprendizaje automático en lugar de machine learning. En la documentación técnica, las ofertas de empleo y los foros de programación, manda el inglés. Por eso este glosario trae las dos formas: quien maneja ambas puede leer la fuente original y explicarla después en su propio idioma.

¿Por dónde empezar si todos estos términos son nuevos? No hace falta aprenderlos todos a la vez. Le recomiendo empezar por los temas que sostienen casi cualquier trabajo con datos, es decir, análisis de datos, bases de datos y SQL, y dejar machine learning y big data para después. El orden completo, según el rol al que quiera llegar, está en la guía de cómo aprender ciencia de datos.

Referencias

Las citas en otro idioma son traducción propia.

1. The PostgreSQL Global Development Group. PostgreSQL 18 Documentation, apéndice «Glossary» (documentación 18.6) — ACID: propiedades de las transacciones que buscan garantizar la validez en operación concurrente y ante errores o cortes de energía; atomicidad (todas las operaciones como una unidad o ninguna; sin resultados parciales tras una falla); consistencia (los datos cumplen siempre las restricciones de integridad; la transacción que no resuelve una violación al confirmarse se deshace); aislamiento (los efectos no son visibles para otras transacciones antes de confirmarse); durabilidad (los cambios confirmados persisten tras una falla); transacción (y nivel de aislamiento); clave primaria (única, sin nulos, una por tabla); clave foránea (identifica cero o una fila de otra tabla); índice (relación derivada de una tabla que agiliza el acceso); tabla (colección de tuplas con la misma estructura); consulta; JOIN; COMMIT; ROLLBACK. PostgreSQL: Documentation 18, Glossary — Consultada: 2026-10-18.
2. Microsoft. Relational vs. NoSQL data, capítulo del libro Architecting Cloud Native .NET Applications for Azure (fecha de la página: 6 de abril de 2022) — las bases relacionales usan tablas con esquema fijo, SQL y garantías ACID, y escalan en vertical; las NoSQL son almacenes no relacionales de alto rendimiento (documentos JSON, clave-valor, columnas anchas y grafos), escalan en horizontal sobre servidores comunes y por lo general no garantizan ACID más allá de una partición; teorema CAP (consistencia, disponibilidad y tolerancia a particiones) y advertencia de que «consistency» en CAP «has a technical meaning that is distinct» de la de ACID; consistencia fuerte y eventual; bases NewSQL. Microsoft Learn: Relational vs. NoSQL data — Consultada: 2026-10-18.
3. Departamento Administrativo Nacional de Estadística (DANE). Estandarización y armonización de conceptos, Sistema Estadístico Nacional, normas y estándares — «La estandarización y armonización de conceptos se enfoca en la producción y definición continua de conceptos unificados», alineados con los términos de las operaciones estadísticas del DANE y del SEN, para garantizar la comparabilidad e integración de la información en el ámbito nacional e internacional; sistema de consulta de conceptos estandarizados. DANE: estandarización y armonización de conceptos — Consultada: 2026-10-18.
4. NIST, Computer Security Resource Center. Glossary — data science (NIST SP 800-218A: campo que combina experticia del dominio, programación y matemáticas y estadística para extraer conclusiones de los datos); big data (CNSSI 4009-2022, a partir de NIST SP 1500-1r2: conjuntos extensos en volumen, variedad, velocidad o variabilidad que requieren una arquitectura escalable); unstructured data (NIST SP 800-226); application programming interface (NISTIR 5153); cloud computing (NIST SP 800-145); metadata (NIST SP 800-150: metadatos estructurales y descriptivos); provenance (NIST SP 800-161r1-upd1); data steward (CNSSI 4009-2022); de-identification (a partir de ISO/TS 25237); pseudonymization (a partir de ISO/IEC 20889). NIST CSRC: data science · NIST CSRC: big data · NIST CSRC: unstructured data · NIST CSRC: application programming interface · NIST CSRC: cloud computing · NIST CSRC: metadata · NIST CSRC: provenance · NIST CSRC: data steward · NIST CSRC: de-identification · NIST CSRC: pseudonymization — Consultada: 2026-10-18.
5. Congreso de la República de Colombia. Ley 1712 de 2014, de transparencia y del derecho de acceso a la información pública nacional (6 de marzo de 2014), art. 6, literal j: definición de datos abiertos («datos primarios o sin procesar, que se encuentran en formatos estándar e interoperables…»). Y Ministerio de Tecnologías de la Información y las Comunicaciones, Portal Nacional de Datos Abiertos datos.gov.co. Función Pública: Ley 1712 de 2014 · MinTIC: Portal Nacional de Datos Abiertos — Consultada: 2026-10-18.
6. Microsoft. What Is a Data Lake?, Azure Architecture Center (fecha del artículo: 16 de abril de 2026) — el lago de datos guarda grandes volúmenes en formato original y transforma solo al necesitarlos (esquema en lectura); el almacén impone estructura y transforma al ingerir (esquema en escritura); datos estructurados (tablas relacionales), semiestructurados (JSON, XML, registros) y no estructurados (imágenes, audio, video); almacén de datos con datos estructurados y depurados en esquemas relacionales, para BI y reportes; enfoque lakehouse. Microsoft Learn: What is a data lake? — Consultada: 2026-10-18.
7. Biblioteca Virtual en Salud (BVS) y BIREME. DeCS – Descriptores en Ciencias de la Salud, descriptor «Análisis de Datos» (ID 57808) — nota de alcance: «Proceso que consiste en la aplicación sistemática de técnicas estadísticas y/o lógicas» para describir e ilustrar, condensar y resumir, así como evaluar datos. DeCS: descriptor Análisis de Datos — Consultada: 2026-10-18.
8. NIST/SEMATECH. e-Handbook of Statistical Methods — «What is EDA?» (enfoque o filosofía de análisis con técnicas variadas, sobre todo gráficas) y comparación con el enfoque clásico (en el clásico, a la recolección le sigue la imposición de un modelo; en el exploratorio, no); «Measures of Location» (media, mediana); «Measures of Scale» (varianza; la desviación estándar es su raíz cuadrada); «Histogram» (resume la distribución de un conjunto univariado; intervalos de igual tamaño llamados clases); «Box Plot» (mediana, cuartiles, caja con el 50 % central, bigotes hasta mínimo y máximo); «Detection of Outliers» (observación que se aparta de forma marcada de las demás); «What are statistical tests?» (mecanismo para decisiones cuantitativas; hipótesis nula; riesgo α o nivel de significancia); «What are confidence intervals?» (rango que probablemente contiene el parámetro; cerca del 95 % de los casos). NIST: What is EDA? · NIST: EDA frente al análisis clásico · NIST: Measures of Location · NIST: Measures of Scale · NIST: Histogram · NIST: Box Plot · NIST: Detection of Outliers · NIST: What are statistical tests? · NIST: What are confidence intervals? — Consultada: 2026-10-18.
9. Microsoft. Extract, transform, load (ETL), Azure Architecture Center (fecha del artículo: 15 de septiembre de 2025) — las organizaciones reúnen datos de múltiples fuentes y formatos y los mueven a uno o más almacenes, casi siempre con limpieza o transformación previa; definición de ETL; operaciones de transformación (filtrar, ordenar, agregar, unir, limpiar, quitar duplicados y validar); ELT transforma en el almacén de destino, elimina el motor de transformación aparte, exige un destino potente y sus usos típicos están en el terreno del big data; ETL inverso; procesamiento en flujo frente a lotes programados, con la detección de fraude como caso. Microsoft Learn: Extract, transform, load (ETL) — Consultada: 2026-10-18.
10. Congreso de la República de Colombia. Ley Estatutaria 1581 de 2012, por la cual se dictan disposiciones generales para la protección de datos personales — art. 1 (desarrolla el derecho constitucional a conocer, actualizar y rectificar las informaciones recogidas en bases de datos o archivos, a que se refiere el art. 15 de la Constitución); art. 3, literal b (base de datos), literal c (dato personal: «Cualquier información vinculada o que pueda asociarse a una o varias personas naturales determinadas o determinables»), literal g (tratamiento); art. 5 (datos sensibles: los que afectan la intimidad del titular o cuyo uso indebido puede generar su discriminación; ejemplos como el origen racial o étnico, la salud y los datos biométricos). El Gestor Normativo no registra derogatoria. Función Pública: Ley 1581 de 2012 — Consultada: 2026-10-18.
11. Oracle. SQL Language Reference, sección «History of SQL» (documentación de Oracle AI Database, versión 23) — E. F. Codd publicó A Relational Model of Data for Large Shared Data Banks en junio de 1970 en Communications of the ACM; su modelo «is now accepted as the definitive model» para los sistemas de gestión de bases de datos relacionales; IBM desarrolló SEQUEL para usar el modelo de Codd; SEQUEL se convirtió después en SQL. Oracle: SQL Language Reference, History of SQL — Consultada: 2026-10-18.
12. Unión Europea. About IATE — «IATE (InterActive Terminology for Europe) is the multilingual terminology database of the EU institutions and bodies»; las instituciones la usan para recopilar, difundir y gestionar terminología desde 2004. Y Office québécois de la langue française, Grand dictionnaire terminologique, ficha «apprentissage automatique» (actualizada en 2026) — ficha con dominios, definición, notas, término preferido y equivalentes en inglés, catalán, español y portugués, cada uno con su autor y fecha. IATE: About IATE · OQLF: ficha apprentissage automatique — Consultada: 2026-10-18.
13. Microsoft. Understand star schema and the importance for Power BI, documentación de Power BI (fecha del artículo: 30 de diciembre de 2024) — esquema en estrella con tablas de dimensiones (entidades del negocio; filtran y agrupan) y de hechos (observaciones o eventos con columnas numéricas; resumen); normalización: datos guardados de forma que se reduce la repetición; una tabla de ventas normalizada guarda solo claves, como la del producto. Microsoft Learn: Understand star schema — Consultada: 2026-10-18.
14. Microsoft. Online Transaction Processing (OLTP) (fecha del artículo: 6 de febrero de 2026) y Online Analytical Processing (fecha del artículo: 11 de abril de 2025), Azure Architecture Center — los sistemas OLTP registran las interacciones del negocio a medida que ocurren (cargas de escritura intensas); OLAP organiza grandes bases de datos para cálculos complejos y análisis de tendencias sin afectar los sistemas transaccionales (cargas de lectura intensas). Microsoft Learn: OLTP · Microsoft Learn: OLAP — Consultada: 2026-10-18.
15. Oracle. SQL Language Reference, sección «Types of SQL Statements» (documentación de Oracle AI Database, versión 23) — las sentencias DDL crean, alteran y eliminan objetos del esquema y, en la clasificación de Oracle, también conceden y revocan privilegios y roles; las DML acceden y manipulan datos de objetos existentes; las de control de transacciones gestionan los cambios hechos con DML: COMMIT, ROLLBACK, SAVEPOINT, SET TRANSACTION y SET CONSTRAINT. Oracle: SQL Language Reference, Types of SQL Statements — Consultada: 2026-10-18.
16. ISO/IEC. ISO/IEC 9075-1:2023 Information technology — Database languages SQL — Part 1: Framework (SQL/Framework) (ficha del catálogo; norma publicada, etapa 90.92, por revisar). ISO: ficha de ISO/IEC 9075-1:2023 — Consultada: 2026-10-18.
17. Internet Engineering Task Force (IETF). RFC 8259: The JavaScript Object Notation (JSON) Data Interchange Format (diciembre de 2017; norma de internet STD 90) — «JavaScript Object Notation (JSON) is a lightweight, text-based, language-independent data interchange format»; objetos como colecciones de pares nombre-valor y arreglos. RFC Editor: RFC 8259 — Consultada: 2026-10-18.
18. Documentación oficial del ecosistema Python: Python Software Foundation, El tutorial de Python, 1. Abriendo el apetito (documentación 3.15.0 en español: «Python es un lenguaje interpretado, lo cual puede ahorrarte mucho tiempo durante el desarrollo ya que no es necesario compilar ni enlazar»); Project Jupyter, portada (Jupyter Notebook como aplicación web para crear y compartir documentos computacionales; JupyterLab como el entorno web más reciente para cuadernos, código y datos); NumPy Developers, What is NumPy? (manual 2.5: paquete fundamental para el cálculo científico en Python; el objeto ndarray como núcleo); pandas development team, pandas.DataFrame (documentación 3.0.6: datos tabulares de dos dimensiones, de tamaño variable y tipos posiblemente heterogéneos, con ejes etiquetados). Python docs en español: Abriendo el apetito · Jupyter: portada · NumPy: What is NumPy? · pandas: pandas.DataFrame — Consultada: 2026-10-18.
19. Microsoft, documentación de Excel y Power BI: Crear una tabla dinámica para analizar datos de una hoja de cálculo («Una tabla dinámica es una herramienta avanzada para calcular, resumir y analizar datos» que permite ver comparaciones, patrones y tendencias); ¿Qué es Power Query? (Microsoft Learn, 30 de septiembre de 2026: motor de preparación y transformación de datos, procesamiento ETL, registra las transformaciones como pasos sin modificar el origen, lenguaje de fórmulas M; disponible en Excel y Power BI); Automatizar tareas con la grabadora de macros (la grabadora guarda los pasos como código de Visual Basic para Aplicaciones); What is Power BI? (23 de marzo de 2026: plataforma de análisis de negocios de Microsoft para conectar, visualizar y compartir datos); Intro to dashboards for Power BI designers (1 de diciembre de 2025: el dashboard es una sola página con mosaicos que se actualizan cuando cambian los datos; los detalles quedan en los informes). Microsoft: crear una tabla dinámica · Microsoft Learn: ¿Qué es Power Query? · Microsoft: grabadora de macros · Microsoft Learn: What is Power BI? · Microsoft Learn: Intro to dashboards — Consultada: 2026-10-18.
20. Google for Developers. Machine Learning Glossary (última actualización: 10 de abril de 2026) — entradas artificial intelligence, machine learning («A program or system that trains a model from input data»; «Formally, machine learning is a sub-field of artificial intelligence»), supervised y unsupervised machine learning, reinforcement learning, feature, label, model, training, inference, test set, validation set, neural network, deep model, clustering, k-means, classification model, regression model, generative AI («An emerging transformative field with no formal definition»), large language model, token, prompt, retrieval-augmented generation y overfitting («Creating a model that matches the training data so closely that the model fails to make correct predictions on new data»). Y Machine Learning Crash Course: Linear regression (última actualización: 9 de diciembre de 2025): «Linear regression is a statistical technique used to find the relationship between variables». Google for Developers: Machine Learning Glossary · Google for Developers: Linear regression — Consultada: 2026-10-18.
21. American Statistical Association (ASA). American Statistical Association Releases Statement on Statistical Significance and P-Values, comunicado de prensa del 7 de marzo de 2016 — seis principios, entre ellos: «P-values can indicate how incompatible the data are with a specified statistical model» y «P-values do not measure the probability that the studied hypothesis is true»; Ron Wasserstein, director ejecutivo de la ASA: «The p-value was never intended to be a substitute for scientific reasoning». ASA: comunicado sobre la declaración de valores p — Consultada: 2026-10-18.
22. The Apache Software Foundation, documentación oficial: Apache Hadoop, portada (software de código abierto para computación distribuida confiable y escalable; procesamiento distribuido de grandes conjuntos de datos en clústeres; módulos HDFS, YARN —programación de trabajos y gestión de recursos del clúster— y MapReduce —procesamiento paralelo basado en YARN—; versión 3.5.0 del 2 de abril de 2026); HDFS Architecture 3.5.0 (cada archivo como secuencia de bloques replicados para tolerar fallas; bloque típico de 128 MB); Spark Overview 4.2.0 («Apache Spark is a unified analytics engine for large-scale data processing»; Java, Scala, Python y R, este último marcado como obsoleto; Spark SQL; ejecución local con Java instalado); Introduction, Apache Kafka 4.3 (plataforma de flujo de eventos para publicar, guardar y procesar flujos de eventos); What is Airflow?, Apache Airflow 3.3.2 (plataforma de código abierto para desarrollar, programar y monitorear flujos de trabajo). Apache Hadoop: portada · Apache Hadoop: HDFS Architecture · Apache Spark: documentación 4.2.0 · Apache Kafka: Introduction 4.3 · Apache Airflow: What is Airflow? — Consultada: 2026-10-18.
23. Consejo Nacional de Política Económica y Social, República de Colombia. Documento CONPES 4144: Política Nacional de Inteligencia Artificial (Bogotá, 14 de febrero de 2025), compilado en el normograma del Ministerio de Tecnologías de la Información y las Comunicaciones. MinTIC: normograma, Documento CONPES 4144 de 2025 — Consultada: 2026-10-18.
24. NIST, Dictionary of Algorithms and Data Structures (Paul E. Black, ed.) — entradas algorithm («A computable set of steps to achieve a desired result»), data structure (organización de la información, usualmente en memoria, para mejorar la eficiencia de los algoritmos), big-O notation (medida teórica del tiempo o la memoria según el tamaño n del problema), array (elementos accesibles directamente por un entero, el índice), sort (ordenar elementos en un orden predeterminado; la elección del algoritmo depende del número de elementos frente a la memoria, del orden previo y del costo de comparar frente a mover), binary search, queue (solo se accede al primer elemento agregado: FIFO), stack (solo se puede sacar el último agregado: LIFO; push y pop), hash table (diccionario que ubica claves en posiciones de un arreglo mediante funciones hash; colisión), graph (elementos, vértices o nodos, unidos por aristas) y Dijkstra’s algorithm (caminos más cortos desde un vértice de origen en un grafo dirigido y ponderado; pesos no negativos). NIST DADS: algorithm · NIST DADS: data structure · NIST DADS: big-O notation · NIST DADS: array · NIST DADS: sort · NIST DADS: binary search · NIST DADS: queue · NIST DADS: stack · NIST DADS: hash table · NIST DADS: graph · NIST DADS: Dijkstra’s algorithm — Consultada: 2026-10-18.
25. Comisión Europea. ESCO, clasificación europea de capacidades, competencias, cualificaciones y ocupaciones: ocupaciones «analista de datos» (código 2511.2: «Los analistas de datos importan, inspeccionan, limpian, validan, modelan o interpretan recopilaciones de datos con respecto a los objetivos empresariales de la empresa»; garantizan datos coherentes y fiables; informes en gráficos y paneles de control) y «científico de datos/científica de datos» (código 2511.3: detectan e interpretan fuentes de datos, gestionan grandes cantidades, fusionan fuentes, se basan en modelos matemáticos y comunican conclusiones a especialistas y a público no especializado). Texto leído en la API oficial de ESCO, en español. ESCO API: analista de datos · ESCO API: científico de datos — Consultada: 2026-10-18.
26. Google Cloud. Certificación Professional Data Engineer (el rol facilita decisiones basadas en datos mediante la recopilación, transformación, almacenamiento y entrega de datos para diversas aplicaciones) y Certificación Professional Machine Learning Engineer («crea, evalúa, produce y optimiza soluciones de IA»). Google Cloud: Professional Data Engineer · Google Cloud: Professional Machine Learning Engineer — Consultada: 2026-10-18.
27. Parlamento Europeo y Consejo de la Unión Europea. Reglamento (UE) 2016/679, Reglamento general de protección de datos (Diario Oficial L 119, 4 de mayo de 2016) — art. 4.1 (datos personales: «toda información sobre una persona física identificada o identificable», cuya identidad pueda determinarse directa o indirectamente); art. 4.5 (seudonimización: tratamiento que impide atribuir los datos a un interesado sin información adicional, que debe figurar por separado y estar sujeta a medidas técnicas y organizativas); considerando 26 (los datos seudonimizados deben considerarse información sobre una persona física identificable; los principios de protección no se aplican a la información anónima). EUR-Lex: Reglamento (UE) 2016/679 en español — Consultada: 2026-10-18.
28. DAMA International. What is Data Management? — gestión de datos como el desarrollo, la ejecución y la supervisión de planes, políticas, programas y prácticas sobre los activos de datos en todo su ciclo de vida; el DAMA-DMBOK tiene 11 áreas de conocimiento; gobierno de datos: «Establishes accountability, policies, and decision rights to ensure data is managed properly»; calidad de datos: «Ensures data is accurate, complete, and trustworthy»; también seguridad de datos y gestión de metadatos. DAMA International: What is Data Management? — Consultada: 2026-10-18.
29. Microsoft. Master Data Management in Microsoft Purview, documentación de Microsoft Purview (fecha del artículo: 24 de abril de 2026) — la gestión de datos maestros crea una fuente de verdad mediante un conjunto de registros maestros sin duplicados, «a golden standard by which to measure your data»; registros dorados como versión autorizada de los datos maestros. Microsoft Learn: Master Data Management in Microsoft Purview — Consultada: 2026-10-18.

Cómo investigamos esta página

• Pregunta que responde: Qué significan, en una definición corta y citable, 115 términos de ciencia de datos, con su sigla en español e inglés.
• Fuentes: identificadas 96 → incluidas 73
• Criterios de inclusión: glosarios y documentación oficial de cada herramienta, organismos públicos como el NIST, normas, leyes colombianas y europeas y el DANE; nada de enciclopedias abiertas ni de proveedores.
• Fecha de corte de los datos: 2026-10-18