Buenas y malas prácticas de recogida de datos: cómo construir una base sólida para decisiones sobre activos

23 de febrero de 2026 Vianney AIRAUD

Tomar buenas decisiones sobre activos empieza con datos de calidad. Los datos pobres provocan mantenimiento costoso, riesgos de seguridad y recursos malgastados. Aun así, el 75 % de los directivos reconoce que no confía en sus propios datos.

Si quiere evitar fallos de equipos y gastos no planificados, céntrese en estos principios:

Recoja solo lo que importa: vincule la recogida de datos a objetivos concretos, como planificación CAPEX basada en riesgos, extensión de vida útil de activos o cumplimiento normativo.
Evite sistemas dispersos: los datos desconectados crean puntos ciegos y ralentizan decisiones. Centralice y normalice la información.
Use automatización: herramientas como sensores y drones pueden acelerar la recogida y mejorar la precisión.
Mantenga los datos limpios: siga el estándar de las “5C” del modelo original: completos, correctos, actuales, consistentes y exhaustivos, para asegurar fiabilidad.
Mida sostenibilidad: incluya consumo energético, emisiones y eficiencia para alinearse con las necesidades actuales de planificación de activos.

¿La conclusión? Los datos fiables y orientados a objetivos permiten inversiones más inteligentes, menos interrupciones y mejores resultados a largo plazo.

Recogida de datos de activos

sbb-itb-5be7949

El coste de una mala recogida de datos en gestión de activos

El coste de una mala calidad de datos en gestión de activos

Los datos de activos incompletos o inexactos pueden generar problemas financieros y operativos graves. Según algunas fuentes, los científicos de datos dedican el 80 % de su tiempo a limpiar y corregir datos de baja calidad en lugar de analizarlos para obtener información accionable [7]. Esta ineficiencia no es solo tiempo perdido: consume recursos que podrían usarse para decidir mejor y crea un efecto dominó de retos operativos.

Una de las consecuencias más inmediatas es perder el ROI del mantenimiento predictivo que permite evitar mantenimiento reactivo y paradas no planificadas. Cuando los datos sobre estado y uso de activos no son fiables, los equipos de mantenimiento asignan mal sus esfuerzos. Equipos críticos pueden pasar desapercibidos mientras se invierten recursos en problemas menos urgentes. Este desequilibrio acaba a menudo en fallos inesperados de equipos y disrupciones costosas [2][7]. Por ejemplo, en edificios de gran altura, los procesos manuales de inventario no solo consumen tiempo, también son propensos a errores [2].

El impacto financiero va más allá de las ineficiencias operativas. La mala calidad de datos suele provocar desviaciones presupuestarias, porque las organizaciones afrontan CAPEX no planificado para sustituir activos fallidos o reparar daños provocados por esos fallos [7][8]. Los datos mal gestionados empujan a las empresas a reparaciones caras, sustituciones prematuras y gasto ineficiente [1][4]. El impacto es significativo: hasta el 30 % del coste total de propiedad de un activo podría evitarse con mejores decisiones durante diseño, compra y renovación [7]. Estas desviaciones distorsionan la planificación de activos basada en riesgos al ocultar rendimiento y coste reales.

Además de los problemas financieros y operativos, aumentan los riesgos de seguridad y cumplimiento. Los registros inexactos pueden incrementar peligros de seguridad laboral y fallos para cumplir requisitos normativos [7]. La recogida manual o en papel añade otra capa de complejidad, porque exige transcripción digital que suele introducir errores e inconsistencias [4].

Los objetivos de sostenibilidad también sufren cuando los datos no son fiables. Las lagunas de datos precisos dificultan abordar riesgos climáticos, planificar transiciones o realizar análisis de escenarios [5]. Sin datos de amenazas detallados y localizados, los gestores de activos tienen dificultades para implantar adaptaciones climáticas específicas por emplazamiento o negociar con aseguradoras medidas de resiliencia [5]. La falta de datos fiables hace que las organizaciones no alcancen objetivos de reducción de carbono ni puedan demostrar avances ambientales. Los datos precisos son esenciales para decisiones basadas en riesgos que se alineen con gestión de activos de largo plazo y objetivos ambientales.

Haga: construya una estrategia clara de recogida de datos vinculada a sus objetivos

Hacer bien la recogida de datos empieza con una pregunta simple pero crítica: ¿Para qué recogemos estos datos? Antes de lanzarse, las organizaciones deben aclarar qué decisiones quieren tomar y qué resultados quieren conseguir. Sin ese foco, es fácil caer en recoger demasiados datos que nadie usa, o peor, dejar fuera piezas clave para decisiones críticas. Un propósito claro asegura que los datos se conectan directamente con resultados de inversión.

“El objetivo principal debería ser recoger solo datos que midan el avance hacia los objetivos definidos y ayuden a las organizaciones a tomar decisiones.” - PIARC (World Road Association) [3]

Para afinar el enfoque, use estas cuatro preguntas guía:

¿Qué decisiones deben tomarse?
¿Qué datos se necesitan para esas decisiones?
¿Puede la organización permitirse recoger esos datos?
¿Puede mantenerse su integridad en el tiempo?

Si no puede responder con confianza a las cuatro, probablemente ese dato no pertenece a la estrategia. Este enfoque disciplinado asegura que cada dato apoye los objetivos de negocio.

Conecte la recogida de datos con resultados de inversión

Una vez definido el propósito, el siguiente paso es alinear la recogida de datos con resultados medibles. Cada dato debe vincularse a resultados de inversión concretos, ya sea reducir costes de ciclo de vida, bajar riesgos o cumplir objetivos de sostenibilidad. Céntrese en atributos que impactan directamente en resultados financieros y operativos. Por ejemplo:

Edad y vida útil del activo ayudan a prever necesidades presupuestarias futuras e identificar periodos de alto gasto de capital.
Estado y criticidad permiten priorizar proyectos de mantenimiento con más inteligencia [4].

Al vincular atributos de datos con decisiones concretas, puede justificar el coste de recogida y asegurar que cada esfuerzo aporta valor.

Las organizaciones que adoptan un enfoque basado en riesgos suelen ver mejores retornos. Los activos de bajo riesgo o con inversión mínima no necesitan actualizaciones frecuentes [3]. Priorice activos de alto riesgo y alto valor: aquellos que afectan significativamente a operación, seguridad o finanzas.

Recoja solo datos que apoyen decisiones

En datos, menos suele ser más. El objetivo no es construir la base de datos más grande posible, sino recoger información precisa y accionable. Recoger datos que nadie usa consume recursos [4]. Para evitarlo, concéntrese en atributos básicos que impulsan decisiones de gestión de activos. En muchas organizaciones, siete atributos forman la base:

Material/tipo
Ubicación
Estado
Edad
Criticidad
Vida útil
Valor económico [4]

Para asegurar que los datos son útiles, deben cumplir el estándar de las “5C”:

Completos: cubren todos los activos objetivo.
Comprensivos: incluyen todos los atributos necesarios.
Consistentes: usan convenciones de nomenclatura normalizadas.
Correctos: incluyen IDs y descripciones precisas.
Actuales: distinguen claramente estado activo e inactivo [2].

Considere esto: un edificio de oficinas en altura típico contiene alrededor de 1.000 activos mantenibles, desde sistemas eléctricos hasta unidades de tratamiento de aire [2]. Con métodos manuales, un ingeniero de fiabilidad puede inspeccionar y registrar detalles de solo 60-75 activos al día [2]. Esta limitación hace aún más importante concentrarse en datos que realmente importan: no hay tiempo ni recursos para recoger información que nunca se usará.

No haga: usar fuentes de datos fragmentadas o desconectadas

Cuando los datos de activos están repartidos en múltiples sistemas desconectados, como hojas de cálculo por un lado, una GMAO por otro y registros financieros en otro sitio, las organizaciones afrontan grandes retos. Esta fragmentación oculta riesgos críticos y crea puntos ciegos en la cartera, haciendo casi imposible identificar problemas de seguridad o cumplimiento antes de que escalen a costes mayores [6].

El impacto en la toma de decisiones es inmediato y caro. Las fuentes desconectadas ralentizan los informes, generan analítica inconsistente y provocan mala priorización. Esto se traduce en desviaciones presupuestarias y oportunidades perdidas [6]. Como afirma Deloitte, las empresas actuales se están “ahogando en datos, pero muriendo de hambre de conocimiento útil” [7]. La frase resume bien el caos que aparece cuando información vital queda atrapada en silos. Estas prácticas fragmentadas abren la puerta a decisiones ineficientes y costosas.

“Cuando los datos de estado son inconsistentes, tardíos o están dispersos entre herramientas, los equipos recurren a la intuición; ahí empiezan los reventones presupuestarios, los riesgos de seguridad y las oportunidades perdidas.” - Asseti [6]

El coste financiero es difícil de ignorar. Los datos fragmentados suelen provocar gastos de capital inesperados, especialmente cuando los fallos sorprenden a los equipos. También inflan costes de mantenimiento porque los equipos quedan atrapados en modo reactivo en lugar de planificar de forma proactiva [7]. Los procesos manuales empeoran la situación: cuando se recoge información en papel, normalmente se duplica el trabajo, porque alguien debe introducirla después en sistemas digitales. Este proceso, que puede tardar meses, es propenso a errores que agravan el problema [4].

Más allá de la presión financiera, los datos fragmentados también generan riesgos serios de seguridad y cumplimiento. Crean peligros para la salud y seguridad laboral y aumentan la probabilidad de no cumplir requisitos legales [7]. Sin acceso sencillo a información clave, como estado del activo o historial de mantenimiento, los equipos de campo deciden sin una visión completa de la situación.

Haga: normalice y centralice sus datos

Corregir datos fragmentados no consiste en recoger más información, sino en crear una fuente única de información con estándares coherentes en toda la organización. Cuando los datos de activos se estructuran de forma uniforme, los equipos pueden comparar rendimiento, consolidar costes y decidir prioridades de mantenimiento y sustitución con más fundamento [10]. Este enfoque crea la base para modelos de datos claros y comparables.

Cree modelos de datos y jerarquías de activos consistentes

Usar taxonomías estándar del sector es clave para evitar confusiones. Marcos como Uniclass, RICS NRM 3 y SFG20 proporcionan códigos de clasificación que aseguran que todos, desde equipos de campo hasta finanzas, describen los activos de forma alineada [10]. La importancia de esta unidad quedó clara cuando la Government Property Function del Reino Unido analizó más de 300.000 propiedades públicas. Comprobó que las jerarquías normalizadas de activos eran cruciales para gestionar mantenimiento y asegurar cumplimiento contractual [10].

Un modelo de datos descendente es un punto de partida práctico: organización matriz > emplazamiento > edificio/bloque > planta > espacio/sala > activo [10]. Cada registro de activo debe incluir campos esenciales como ID único de activo, código de clasificación, nivel de criticidad y estado operativo. Sin ellos, la planificación se vuelve caótica. Las organizaciones que adoptaron Information Modeling Frameworks (IMF) reportaron una reducción del 50 % en errores humanos durante actualizaciones manuales [11]. En un proyecto de ingeniería offshore, esta normalización ahorró aproximadamente 50 millones de dólares [11].

Use un sistema central para la gestión de datos maestros

La gestión de datos maestros (MDM) es lo que IBM denomina el “habilitador oculto” de la toma de decisiones inteligente [12]. Asegura identificadores y tablas de referencia consistentes para activos, sedes y proveedores en todos los departamentos. El objetivo no es imponer una única solución de software, sino aplicar lógica de negocio coherente en todos los sistemas para producir salidas fiables y auditables [12]. Los datos maestros precisos son la columna vertebral de decisiones sostenibles y basadas en riesgos.

En la operación diaria, los sistemas centralizados con controles automáticos de calidad pueden señalar inmediatamente datos faltantes o inusuales. Un proceso de “cierre mensual” ayuda: congelar entradas de datos en una fecha fija cada mes, validar todo automáticamente y resolver incidencias antes de continuar [12]. Esto evita actualizaciones de mitad de mes que rompen la comparabilidad y hacen imposible el análisis de tendencias.

“Un modelo de datos uniforme es necesario para obtener una visión completa de sistemas combinados con información que fluye por todo el ecosistema.” - Marc Hoppenbrouwers y Biren Gandhi, IBM [9]

Para mantener control, asegure contractualmente la propiedad de los datos de activos, incluso cuando proveedores externos los gestionen [10]. Esto garantiza acceso en tiempo real para decidir y evita dependencia de proveedores. Usar formatos estándar como archivos COBie hace que los datos sean portables entre sistemas, reduce el riesgo de pérdida durante cambios contractuales y asegura una planificación de inversiones fluida [10].

No haga: ignorar gobernanza y propiedad del dato

Si la propiedad y la gobernanza del dato no están claras, la información de activos puede perder fiabilidad rápidamente y llevar a malas decisiones de inversión. La revisión 2024 de ISO 55001 subraya que los datos son la base de la toma de decisiones [13]. Aun así, muchas organizaciones siguen tratando los datos como un subproducto de la operación, no como un activo estratégico con ciclo de vida y valor propios.

Para aprovechar realmente los datos, implante prácticas sólidas de gobernanza y asigne propiedad clara. Cada conjunto de datos clave, como registros de activos, evaluaciones de estado, historiales de mantenimiento y registros financieros, debe tener un responsable dedicado. Esto asegura que el dato permanezca preciso, actualizado y consistente durante su ciclo de vida [3]. Sin responsabilidad, el dato deriva, aparecen campos faltantes o registros contradictorios. Por ejemplo, una empresa estadounidense de servicios públicos que implantó analítica avanzada con gobernanza clara de datos en 2022 logró 20-25 % de ahorro en OPEX y 40-60 % de ahorro en CAPEX al centrarse en activos de alto riesgo y optimizar calendarios de mantenimiento [15].

“La gestión eficaz de activos depende del uso eficaz de los datos para apoyar la toma de decisiones.” - ISO 55013:2024 [14]

La cita refuerza la importancia de protocolos de gobernanza para proteger y maximizar el valor del dato.

A diferencia de los activos físicos, los datos pueden degradarse mucho más rápido. Una bomba puede durar 15 años, pero los datos de estado del año anterior pueden quedar desactualizados en pocos meses por cambios ambientales [14]. Para combatirlo, implante marcas de fecha, calendarios de actualización y políticas claras para eliminar datos obsoletos [3]. Trate sus datos como el activo estratégico que son: normas modernas como ISO 55013:2024 destacan que el dato tiene valor operativo y de mercado, y merece el mismo nivel de protección y seguridad que la infraestructura física [14].

Los derechos de acceso y protocolos de seguridad estrictos son esenciales. Estas medidas aseguran que quienes deciden tengan acceso en tiempo real y evitan cambios no autorizados [3]. Cree un comité de gobernanza con representantes de facility management, equipos de datos y proveedores para monitorizar calidad y resolver problemas a medida que surjan [10]. Use procesos documentados de control de cambios para gestionar altas, modificaciones o bajas de registros de activos.

Haga: use automatización para recogida de datos y control de calidad

Para invertir bien en activos, la automatización desempeña un papel crítico al construir una base de datos fiable. La entrada manual de datos, aunque frecuente, ralentiza procesos e introduce errores que pueden afectar decisiones de inversión. Por ejemplo, los errores al registrar especificaciones complejas de equipos son habituales con transcripción manual [2]. Al automatizar la recogida de datos, las organizaciones mejoran velocidad y precisión, habilitando mejores decisiones.

La automatización no solo acelera la captura, también valida en tiempo real. En la última década, los costes de sensores han caído un 75 %, haciendo más accesible la monitorización automatizada de estado para empresas de distintos tamaños [16]. Sin embargo, pese a esta accesibilidad, el 75 % de los directivos declara falta de confianza en sus propios datos [1]. La desconexión nace de problemas de calidad. La automatización lo aborda no solo recogiendo datos, sino también normalizándolos y señalando inconsistencias, para que quienes deciden tengan información fiable.

Automatice entrada y validación de datos

Tecnologías como reconocimiento óptico de caracteres (OCR) y búsqueda de imágenes por contenido (CBIR) han transformado la entrada de datos. Las apps móviles ya usan estas herramientas para escanear placas de activos e identificar tipos de equipo directamente desde imágenes, eliminando errores asociados a la entrada manual. Este enfoque ayuda a lograr datos de calidad “5C”: completos, exhaustivos, consistentes, correctos y actuales [2].

En inspecciones de infraestructura, herramientas avanzadas como Rapid Ultrasonic Gridding (RUG) usan sistemas robóticos con encoders integrados. Estos robots recopilan datos de espesor de alta densidad a velocidades 10 veces superiores a métodos tradicionales y entregan 1.000 veces más datos [1]. En zonas peligrosas o de difícil acceso, drones equipados con LIDAR o fotogrametría aportan datos de alta densidad sin exponer a personas [16].

Pero recoger datos precisos es solo una parte. Mantener su integridad con el tiempo exige mecanismos robustos de control de calidad.

Integre controles de calidad en los pipelines de datos

Las estrategias de automatización eficaces incorporan detección temprana de errores, a menudo llamada “shift-left testing” en entornos de datos, que identifica problemas antes de que impacten cuadros de mando de producción o sistemas de IA [17]. Por ejemplo, las puertas automatizadas de despliegue pueden aplicar reglas de validación y exigir que campos críticos como asset_id mantengan tasas de no nulos superiores al 99,9 %, o que los conteos de filas se mantengan dentro de rangos estadísticos aceptables [17].

“Los datos son de alta calidad cuando son aptos para el uso previsto y siguen siéndolo de forma fiable a medida que evolucionan los pipelines.” - Coalesce [17]

Las herramientas automatizadas de perfilado monitorizan deriva de esquema, picos de nulos y anomalías de volumen directamente dentro de los pipelines. Esto reduce el “data downtime”, término usado para describir periodos en los que datos defectuosos interrumpen operaciones [17]. Al integrar estos controles en los flujos de trabajo, en lugar de tratarlos como tareas separadas de limpieza, puede asegurar que registros de activos, evaluaciones de estado e historiales de mantenimiento sigan siendo fiables. Este enfoque refuerza el estándar de datos 5C y apoya decisiones basadas en riesgos durante todo el ciclo de vida de la inversión en activos.

Haga: incluya métricas de sostenibilidad en su recogida de datos

Al gestionar activos, es crucial incorporar métricas de rendimiento energético e impacto de carbono. No se trata solo de cumplir requisitos regulatorios: también responde a expectativas de inversores, costes energéticos crecientes y necesidad de alinear la planificación con objetivos de descarbonización. Sin estas métricas, resulta más difícil demostrar avances hacia compromisos de sostenibilidad o integrarlos en planes de gestión de activos a largo plazo.

Añadir métricas de sostenibilidad a la recogida de datos mejora la toma de decisiones. Empiece siguiendo uso y demanda de energía, como electricidad (medida en kWh para consumo y kW para demanda), gas natural (therms), fuelóleo (galones) y vapor de distrito (libras) [18][20]. En instalaciones de agua y saneamiento, que a menudo consumen entre el 30 % y el 40 % del presupuesto energético municipal anual, monitorice consumo eléctrico por millón de galones (kWh/MG). Esto permite comparar rendimiento entre activos [20]. Además, documente emisiones de gases de efecto invernadero en todos los alcances: Alcance 1 (emisiones directas), Alcance 2 (emisiones indirectas por energía comprada) y Alcance 3 (emisiones de la cadena de valor) [18].

También conviene seguir factores operativos como grados-día, ocupación, horas de funcionamiento y niveles de producción. Estas variables ayudan a identificar si los cambios en consumo energético proceden de mejoras de eficiencia o simplemente reflejan cambios de actividad operativa [18][19]. Por ejemplo, un aumento de consumo puede indicar expansión de operaciones y no menor eficiencia del activo. No olvide monitorizar generación renovable in situ y volúmenes de contratos de compraventa de energía, porque estas métricas muestran progreso hacia fuentes más limpias [18][20].

“Los sistemas y datos no son un proyecto lateral de TI. Son la infraestructura que hace medibles las emisiones, verificables las iniciativas y defendibles las afirmaciones.” - Umbrex [12]

Para planificación de inversiones, recopile datos de ahorro de carbono esperado, inversiones requeridas y costes evitados por cada proyecto de eficiencia. Esto permite priorizar proyectos según su retorno de carbono sobre la inversión (ROI) [18][19]. Herramientas como Energy Information Systems, que capturan datos por hora o cada 15 minutos, pueden generar una mediana de ahorro del 4 % en consumo energético de edificio completo. De forma similar, las herramientas Fault Detection and Diagnostic pueden lograr una mediana de ahorro energético del 9 % al identificar fallos de sistema temprano [19].

Conclusión: construir una base de datos que perdure

Recoger los datos adecuados es la piedra angular de una planificación de inversiones en activos eficaz. Las prácticas descritas aquí, vincular la recogida a objetivos concretos, normalizar métodos, aprovechar automatización e incorporar métricas de sostenibilidad, crean la base para decisiones más inteligentes a largo plazo.

Cuando se hace bien, el dato de calidad transforma la operación. Habilita mantenimiento predictivo, mueve procesos de lo reactivo a lo proactivo, prolonga la vida útil de los activos y mitiga riesgos [1]. Al eliminar suposiciones, evita fallos costosos y paradas. Además, apoya la sostenibilidad optimizando uso de recursos y reduciendo residuos por sustituciones prematuras [1].

“Los algoritmos no pueden diferenciar entre datos buenos y malos. Funcionan con lógica, aprendiendo de patrones en los datos proporcionados.” - Gecko Robotics [1]

A pesar de estas ventajas, muchas organizaciones afrontan retos. Aunque el 89 % de los directivos reconoce la importancia de datos de alta calidad, el 75 % admite que no confía en los suyos [1]. Saltarse objetivos claros, depender de fuentes fragmentadas o priorizar velocidad sobre precisión puede descarrilar incluso las mejores intenciones. Al seguir las 5C de calidad de datos del modelo original: completos, exhaustivos, consistentes, correctos y actuales, puede asegurar que cada dato contribuya a mejores resultados [2].

Las decisiones que tome hoy condicionan el éxito de la estrategia de gestión de activos mañana. Documente estándares, siga buenas prácticas de implantación para minimizar errores, centralice datos para romper silos y alinee siempre la información con las decisiones que debe respaldar. Con una base sólida de datos, cada inversión, ya sea mantenimiento rutinario o un gran proyecto, será más informada, justificable e impactante.

Preguntas frecuentes

¿Cuál es el conjunto mínimo de datos de activos que debería recoger primero?

Empiece reuniendo los datos más críticos para tomar decisiones informadas sin tensionar recursos. Céntrese en tres áreas: datos de identificación del activo, evaluaciones de estado e indicadores de rendimiento. Este conjunto reducido proporciona lo esencial para evaluar salud del activo, fijar prioridades y decidir sobre mantenimiento y planificación de ciclo de vida. Al concentrarse en esta información básica, crea una base fiable para gestión de activos basada en riesgos manteniendo el esfuerzo eficiente y coste-efectivo.

¿Cómo combino hojas de cálculo, GMAO y datos financieros en una fuente única de información?

Para construir una fuente única y fiable, conviene seguir un enfoque paso a paso:

Identifique todas las fuentes de datos: reúna información de todos los sistemas relevantes, como hojas de cálculo, GMAO y plataformas financieras.
Planifique la integración: asegure consistencia normalizando formatos, atributos y otros elementos clave.
Valide y limpie los datos: elimine duplicados y corrija imprecisiones para que el dato sea fiable.
Use herramientas de automatización: cuando sea posible, automatice para simplificar y acelerar el proceso.
Revise y actualice periódicamente: mantenga los datos integrados precisos y fiables con actualizaciones rutinarias, para que sigan apoyando decisiones informadas.

¿Qué métricas de sostenibilidad importan más en decisiones de inversión sobre activos?

Las métricas clave para decisiones de inversión con foco en sostenibilidad incluyen reducción de carbono, impacto ambiental y factores de riesgo climático. Estos elementos ayudan a crear un marco fiable para seguir emisiones de carbono y orientar estrategias de inversión hacia sostenibilidad a largo plazo.