Texto recuperado del archivo histórico. Original fechado en octubre de 2003. Esta pieza formaba parte del manuscrito inacabado «Gestión electrónica del conocimiento». Se han corregido erratas, puntuación y algunos aspectos de estilo y formato para facilitar su lectura, manteniendo las ideas, conceptos y contexto tecnológico del texto original.

Datawarehouse. Probablemente, como les ha ocurrido a muchas otras personas, haya oído cientos de veces esta palabra y todavía no conozca exactamente su significado o sus atribuciones. También puede ocurrir, naturalmente, que ya sepa perfectamente a qué nos estamos refiriendo.

En cualquier caso, hemos destinado un capítulo entero de este libro a hablar del datawarehouse. Ahora sólo quiero introducir brevemente el concepto para demostrar algo que considero importante: la gestión del conocimiento no siempre requiere tecnologías tan lejanas o complejas como inicialmente podemos imaginar.

Datawarehouse es una palabra inglesa que podríamos traducir como almacén de datos.

En una aplicación empresarial avanzada de la gestión del conocimiento podemos distinguir dos grandes pilares: el datawarehouse y el datamining. Este último concepto podría traducirse como minería de datos.

Simplificando mucho, por una parte tenemos el proceso de almacenamiento y organización de los datos y, por otra, las herramientas capaces de extraerlos, combinarlos y analizarlos para obtener información útil.

La realidad es, naturalmente, bastante más compleja y merece un tratamiento mucho más profundo. Pero quiero detenerme ahora en una cuestión mucho más sencilla: a veces no hace falta realizar una enorme inversión para empezar a construir un primer escenario de gestión del conocimiento dentro de una empresa.

En ocasiones pensamos que implantar un sistema de datawarehouse tiene que ser necesariamente costoso, sofisticado y reservado a grandes organizaciones.

Puede ocurrir incluso que alguien piense:

«Yo jamás haré datawarehouse ni nada que se le parezca».

Pero la realidad es que muchas empresas y profesionales, sin ser conscientes de ello, ya hacen algo conceptualmente bastante parecido.

Pensemos en un pequeño comercio.

Todos los días, al finalizar la jornada, realiza el clásico cierre de caja. Su terminal de punto de venta recoge las operaciones realizadas y puede volcar los tickets o los datos de ventas a una hoja de cálculo.

Al final de una semana, ese comercio ya dispone de una recopilación interesante.

Al cabo de un mes, mucho más.

Y después de un año tiene delante algo cuyo valor puede superar ampliamente el de una simple colección de cierres diarios.

Tiene historia.

Ese almacenamiento de datos sobre ventas constituye una fuente de información enormemente valiosa. Y lo será todavía más si la empresa dispone de mecanismos capaces de analizar esos datos y descubrir tendencias, hábitos de compra, comportamiento de determinados clientes, índices de fidelización, evolución de productos, estacionalidad y muchas otras combinaciones posibles.

Lo que inicialmente parecía una simple acumulación de tickets puede transformarse así en conocimiento empresarial.

La clave estará en dos capacidades.

Por una parte, necesitamos un almacenamiento eficaz, filtrado y ordenado de aquellos datos estratégicos, tácticos y operativos que puedan resultar útiles posteriormente. Debemos ser capaces de recuperarlos de una manera clara, estructurada y funcional.

Eso es, conceptualmente, el datawarehouse.

Por otra, necesitamos capacidad de análisis. No basta con guardar información; debemos poder interrogarla, combinarla e interpretar sus relaciones para extraer el máximo número posible de conclusiones fundamentadas.

Eso es lo que aporta el datamining.

Almacenamiento sin capacidad de análisis puede terminar convirtiéndose simplemente en acumulación.

Y análisis sin datos adecuados difícilmente puede proporcionar conocimiento fiable.

Cuando combinamos ambos elementos y los orientamos estratégicamente, comenzamos a transformar datos dispersos en algo capaz de ayudar a la empresa a comprender lo que ha ocurrido, detectar lo que está ocurriendo y tomar mejores decisiones sobre lo que podría ocurrir.

Si, además, incorporamos el resto de herramientas que la tecnología nos proporciona para gestionar nuestro conocimiento empresarial, estaremos construyendo una organización mucho mejor preparada para competir en el siglo XXI.

Visto desde 2026

Hay algo que me resulta especialmente interesante al recuperar este texto: la tecnología ha cambiado muchísimo, pero la secuencia fundamental permanece intacta.

En 2003 hablábamos de:

datos → datawarehouse → datamining → conocimiento → decisión.

En 2026 hemos añadido nuevas palabras al vocabulario: cloud, data lake, business intelligence, bases vectoriales, embeddings, RAG, modelos de lenguaje, agentes e inteligencia artificial.

Pero seguimos intentando resolver exactamente el mismo problema.

Una empresa genera continuamente información y necesita conseguir que esa información deje de ser simplemente un residuo de su actividad para convertirse en una capacidad útil para comprender, decidir y actuar.

El pequeño comercio del ejemplo resulta hoy incluso más ilustrativo que entonces.

En 2003 imaginábamos un TPV que acumulaba tickets y una hoja de cálculo capaz de permitir posteriormente algún análisis.

Hoy ese mismo comercio puede registrar cada operación, relacionarla con inventario, campañas, horarios, comportamiento de clientes, costes, recurrencia, canales digitales o variables externas. Y puede disponer de herramientas capaces no sólo de mostrarle lo sucedido, sino de ayudarle a interpretar esos datos mediante lenguaje natural.

Puede preguntar:

«¿Por qué han caído las ventas de este producto durante las últimas seis semanas?»

«¿Qué clientes llevan tres meses sin comprar?»

«¿Qué productos suelen adquirirse juntos?»

«¿Qué días y horarios presentan mayor rentabilidad?»

Y una inteligencia artificial puede ayudar a encontrar patrones y formular respuestas.

Pero hay una condición que seguimos olvidando con frecuencia:

la inteligencia artificial no puede recuperar conocimiento que la organización nunca conservó.

Aquí aparece una conexión directa entre aquel datawarehouse de 2003 y la inteligencia artificial empresarial de 2026.

Una IA puede ser extraordinariamente capaz, pero si una empresa tiene veinte años de conocimiento repartido entre carpetas personales, hojas de cálculo sin estructura, correos electrónicos, ordenadores antiguos, documentos sin clasificar y la memoria de personas que ya no trabajan allí, el problema no es únicamente de inteligencia artificial.

Es un problema previo de gestión del conocimiento.

Y existe otra idea de aquel texto que hoy considero todavía más importante: almacenar no es conocer.

Durante años hemos confundido tener información con saber utilizarla. Las empresas acumularon terabytes porque almacenarlos era cada vez más barato. Hoy podemos cometer exactamente el mismo error pensando que bastará con conectar un modelo de IA a todos esos documentos para transformar automáticamente la información en conocimiento.

No funciona así.

El conocimiento necesita contexto, calidad, estructura, procedencia y una finalidad.

Precisamente por eso están adquiriendo importancia tecnologías como RAG —Retrieval-Augmented Generation—, que permiten que un modelo recupere información procedente de una base de conocimiento propia antes de elaborar una respuesta. Pero incluso un magnífico sistema RAG depende de algo mucho menos espectacular: que exista conocimiento de calidad que recuperar.

En cierto sentido, aquella arquitectura conceptual sigue funcionando:

guardar → ordenar → recuperar → analizar → comprender → actuar.

Lo que ha cambiado radicalmente es la capacidad disponible en cada uno de esos pasos.

Y también su coste.

En 2003, hablar de datawarehouse y datamining podía hacer pensar a muchos pequeños empresarios en enormes proyectos informáticos. Precisamente por eso escribí aquel ejemplo del comercio y sus tickets: quería mostrar que el principio era mucho más cercano de lo que parecía.

Veintidós años después ocurre algo parecido con la inteligencia artificial.

Algunas empresas siguen pensando que IA significa construir gigantescos modelos, contratar equipos científicos o disponer de infraestructuras reservadas a grandes corporaciones. Pero una pequeña empresa puede hoy empezar a convertir su propio conocimiento en capacidad operativa con herramientas que hace pocos años habrían sido impensables.

Por eso hay una frase del título que conservaría exactamente igual:

No está tan lejos.

Lo que en 2003 intentaba acercar era el datawarehouse.

En 2026 podríamos decir lo mismo de la inteligencia artificial.

Y probablemente la lección de fondo sea ésta: la verdadera ventaja no consiste en acumular tecnología ni información, sino en aprender a transformar los datos de una organización en conocimiento y ese conocimiento en mejores decisiones.