El gobierno empieza cuando el dato entra en una decision
El gobierno de datos industriales empieza cuando una senal, alarma, lectura de medidor, orden de trabajo, nota de inspeccion, documento o indicador calculado influye en una decision operativa.
Para un gemelo digital operativo, conectar el dato no basta. El equipo necesita saber de donde viene, que activo o espacio describe, que unidad y regla temporal aplica, quien es responsable del mapeo, si el valor es confiable y que workflows AI Agent o dashboards lo usan.
Data Fusion Services soporta esta disciplina en la pila FactVerse. Conecta sistemas fuente, mapea datos a entidades del gemelo, limpia y normaliza campos, calcula indicadores, prepara data marts y vincula contexto en vivo al gemelo.
Que debe gobernar DFS
| Area | Pregunta practica | Valor |
|---|---|---|
| Fuente | Que sistema posee el valor y quien aprueba su uso? | Aclara responsabilidad |
| Acceso | Que rol, sitio, tenant o red puede leerlo? | Protege datos sensibles |
| Entidad | Que activo, espacio, sistema o workflow describe? | Convierte tags en contexto |
| Unidad y tiempo | Que unidad, zona horaria, muestreo y agregacion aplican? | Mantiene comparables tendencias |
| Calidad | El valor falta, esta vencido, interpolado o fuera de rango? | Indica fuerza de evidencia |
| Linaje | Que conector, mapeo, transformacion y release lo produjeron? | Apoya auditoria y diagnostico |
| Consumidores | Que dashboards, AI flows, reportes o tickets lo usan? | Mide impacto antes del cambio |
Gobernar por identidad operativa
El mismo objeto puede tener nombres distintos en SCADA, historian, CMMS, BIM y en el lenguaje de campo. El gobierno debe unir esos alias bajo una identidad operativa estable.
FactVerse proporciona contexto comun para espacios, activos, sistemas, relaciones, documentos, bindings de datos y workflows. Data Fusion Services mapea campos y tags fuente a ese contexto para que cada valor quede unido al objeto fisico correcto.
La identidad debe cubrir sitio, edificio, piso, zona, sala, linea, ruta, clase de activo, asset ID, propietario, estado de ciclo de vida, relaciones de sistema, alias, documentos, SOPs, puntos de inspeccion, referencias de work order y limites de permiso.
Calidad, linaje y control de cambios
Las series temporales y eventos cambian todo el tiempo. Las reglas deben cubrir valores faltantes, datos vencidos, conversion de unidades, timestamps, muestreo, agregacion, outliers, reemplazo de sensores, logica de alarmas y formulas de indicadores.
Los datos industriales cambian de forma silenciosa: un punto BMS renombrado, un medidor reemplazado, un tag historian migrado, un campo CMMS reinterpretado o una formula KPI ajustada. El gemelo puede verse correcto mientras el dato subyacente ya no lo es.
Un registro de cambio debe incluir fuente, conector, tag o formula modificada, activos y workflows afectados, consumidores downstream, reviewer, aprobacion, fecha efectiva, rollback y evidencia de validacion.
Acceso, evidencia y machine learning
Los datos operativos pueden incluir salas restringidas, layouts de cliente, estados de produccion, salud de equipos, perfiles energeticos, hallazgos de mantenimiento y registros de servicio. Los limites de acceso deben mantenerse visibles dentro del gemelo.
Inspector y los sistemas de trabajo conectados registran quien reviso un hallazgo, que accion se tomo, que evidencia se capturo y si la condicion mejoro. Estos registros alimentan el siguiente AI review y los ciclos de machine learning.
El ML necesita senal, contexto de activo, estado operativo, decision humana, accion y resultado. El gobierno conserva definiciones de features, filtros de calidad, labels desde work orders, version de modelo, sugerencias rechazadas, resultados post-action y reglas de refresco.
Patron DataMesh
- Elegir un decision loop - Mantenimiento predictivo, inspeccion, revision de activos data center, evidencia energetica o SOP digital.
- Nombrar data owners - Fuentes, identidad, mapeo, calidad, calculos, accesos y workflows downstream.
- Mapear identidad operativa - Alinear espacios, activos, sistemas, relaciones, documentos, workflows y alias en FactVerse.
- Conectar y gobernar - Usar Data Fusion Services para conectar, mapear, normalizar, alinear timestamps, calcular y marcar calidad.
- Registrar consumidores - Dashboards, rutinas AI Agent, formularios Inspector, reportes y datasets ML.
- Revisar antes de release - Tags, formulas, conectores y permisos.
- Capturar resultados - Evidencia de campo, decisiones de revision y valores post-action.
- Mejorar reglas - Excepciones, mapeos fallidos, datos vencidos, sugerencias AI rechazadas y feedback de campo.
Checklist
- Cada fuente tiene owner de negocio y tecnico?
- Las identidades de activos, espacios, sistemas y workflows son consistentes?
- Unidades, timestamps, muestreo y reglas de calidad son visibles?
- Los indicadores calculados tienen formula, owner y fecha de revision?
- El linaje se conserva desde conector hasta consumidor downstream?
- Dashboards, AI Agents, reportes y datasets estan registrados?
- Espacios sensibles, registros de clientes y documentos restringidos estan protegidos?
- Evidencia de campo y work orders alimentan revision y ML?
Referencias publicas
La pagina de Data Fusion Services describe la capa de integracion de datos de FactVerse.
La guia Data Readiness, la guia Operational Digital Twin Model Governance y la guia Industrial Knowledge Graphs cubren fundamentos relacionados.