| Prueba antes de comprar | Demostración y prueba de concepto acompañadas por el proveedor o un integrador[1][2] | Instalas y pruebas ya: GX Core y Soda Core son open source[3][4] | Demo o prueba solicitadas por formulario al equipo comercial[5] | Cuenta gratuita en autoservicio, sin tarjeta ni llamada comercial, y prueba pública con datos abiertos: 30 archivos analizados en 32 s |
|---|
| Time-to-value | Proyecto con integrador y servicios de implantación; Collibra DQ se instala en el entorno del cliente[1][2] | Primer check en horas; la cobertura y la investigación son trabajo continuo de ingeniería | Monitores por metadatos tras conectar el warehouse, sin consultar las tablas (Monte Carlo), en SaaS o con un colector en tu entorno; Metaplane documenta excepciones en Postgres, MySQL y SQL Server[6][7][8] | Primer scan en menos de 15 minutos; monitores por metadatos en todos los datasets de la conexión desde el primer scan, hasta 500 por conexión |
|---|
| Corrección | Limpieza, estandarización y MDM que escriben en tus sistemas (Informatica IDMC) — exige credenciales de escritura y proyecto[2] | Los tests fallan. Alguien investiga y corrige a mano | Detecta, alerta y ayuda a investigar; la corrección queda con el equipo[5][7] | Propone la corrección en SQL/PySpark o como Pull Request, con ahorro en € y riesgo — solo lectura por contrato |
|---|
| Corrección donde vive el código | Flujos de trabajo dentro de la plataforma[1][2] | Tú escribes el PR | Alerta con enlace a la plataforma; el PR queda en manos del equipo[5] | La corrección aceptada abre un Pull Request en GitHub o GitLab, sigue el estado del PR y el scan siguiente confirma que lo resolvió |
|---|
| Tests que ya tienes | Reglas nativas de la suite; importación de dbt, Great Expectations o Soda no anunciada[1][2] | Son tus tests — y tu mantenimiento | Monitores en YAML propio o en el meta de dbt; Monte Carlo genera monitores a partir de los tests de dbt, singulares incluidos, y Sifflet abre incidentes cuando falla un test de dbt; devolución como tests de dbt e importación de Great Expectations o Soda no anunciadas[9][10][11][12][13] | Importa tests de dbt, singulares incluidos, suites de Great Expectations y SodaCL y devuelve dbt, SodaCL y GX; relationships se convierte en una regla de integridad referencial; lo que no se convierte (macros y Jinja más allá de ref, source y config), o no vuelve igual en la exportación a SodaCL y GX, queda declarado, no se pierde en silencio |
|---|
| Checks a medida | Informatica: rule specifications con elementos gráficos o expresiones IF-THEN-ELSE; Collibra: reglas SQL a medida, con joins y agregaciones, escritas a mano o sugeridas por IA — solo en jobs pushdown[14][15][16] | SQL y Python sin límites: tests singulares y macros (dbt), expectations propias en Python o SQL (Great Expectations), checks SQL (Soda)[17][18][19][20] | Monitores por metadatos; Monte Carlo admite monitores SQL a medida, con umbrales manuales o aprendidos[6][21] | 16 tipos de regla (nulos, unicidad, patrones, rangos, frescura, volumen, validez de NIF/IBAN y listas de referencia, exactitud contra fuentes autorizadas (opt-in), streams (Kafka y Pub/Sub, todavía por instalar en el SaaS), condiciones entre columnas, SQL a medida e integridad referencial entre datasets), packs por industria y sugerencias a partir del perfil y del historial de aceptación; el SQL a medida es un solo SELECT de solo lectura, validado antes de ejecutarse en la fuente (solo fuentes SQL); sin checks en Python a medida |
|---|
| Señales del trabajo y reglas nuevas | Flujos de stewardship: la incidencia se registra a mano y las reglas las escriben los stewards[1] | La queja llega por ticket; tú escribes y mantienes cada test | Abren tickets en Jira o ServiceNow y aprenden monitores; no leen las quejas de los equipos[5] | Lee Jira, Confluence y Slack y convierte quejas en incidencias vinculadas al dataset correcto; propone reglas a partir del perfil, de la incidencia resuelta y de esas quejas — solo entran cuando las aceptas. El conector de Teams está hecho, con el driver todavía por instalar en el SaaS |
|---|
| Memoria de lo que ya ocurrió | Glosario y stewardship manual[1] | — | Histórico de incidentes por tabla[5] | Base de conocimiento con informes y diagnósticos, búsqueda semántica y grafo fuentes↔datos↔saber; el asistente y los diagnósticos la citan |
|---|
| Gobierno y stewardship | Catálogo y glosario de negocio son el sistema de registro de la suite; en Collibra, los scores de calidad aparecen en el propio marketplace de datos[22] | Fuera de alcance: los tests viven en tu repositorio y conectarlos al catálogo queda en tus manos | El foco es detectar e investigar incidentes; el gobierno y el stewardship formales no son el producto[5][7] | Glosario de negocio vinculado a columnas, responsable y steward por dataset, etiquetas y diccionario de datos exportable; publica veredictos en tu OpenMetadata o DataHub y lee de ahí responsables, dominios y etiquetas |
|---|
| Visión multi-fuente | Suite amplia, licenciada por módulo[1][2] | Un repositorio de tests por fuente | Fuerte en warehouses; fuentes SaaS operacionales limitadas[5][7] | Warehouses, bases de datos operacionales y SaaS en una sola visión |
|---|
| Integración con procesos (SAP, Salesforce) | Calidad dentro del proceso, con escritura: SAP MDG valida los cambios en los datos maestros contra reglas de negocio antes de activarlos; Informatica limpia, estandariza y valida con agentes y lleva la calidad de datos a las aplicaciones (Informatica Headless). Collibra se conecta a S/4HANA mediante Edge, para el catálogo[23][24][25] | Los tests se ejecutan en tu pipeline, sobre datos ya grabados; llamarlos desde SAP o Salesforce es integración que escribes y mantienes | Monte Carlo se conecta a Salesforce CRM y SAP HANA y monitoriza los datos ya grabados (frescura, volumen, esquema, reglas SQL); validación en el punto de entrada no anunciada[26][27] | Lee SAP S/4HANA y SAP Gateway por OData, Salesforce, Dynamics 365 y las bases de datos de los ERP en SQL Server (Primavera, PHC, Sage). Valida los registros en el punto de entrada: el integrador llama por API a las reglas del dataset antes de escribirlos y recibe el veredicto de cada registro, sin que BeryX guarde nada. Nunca escribe en el ERP ni en el CRM: la corrección sale en SQL/PySpark o PR |
|---|
| Confianza para agentes de IA | Gobierno de catálogo y de IA; veredicto de preparación por caso de uso no anunciado[1][28] | — | Monitorizan datos y pipelines; veredicto sobre el dataset antes de que el agente lo consuma no anunciado[5][7] | Trust score explicable y preparación por finalidad (RAG, entrenamiento, agente, BI), gate de preingesta para RAG y servidor MCP para que el agente pregunte antes de usar |
|---|
| Dónde se ejecuta el trabajo — y qué sale de tu perímetro | SaaS del proveedor o instalación en el entorno del cliente (Collibra DQ se instala allí): instalado, el procesamiento se queda en tu infraestructura[1][28] | Se ejecuta en tu pipeline, sobre tu warehouse o tu Spark: nada sale — la operación y la escala son tuyas | Leen metadatos y query logs del warehouse, en SaaS o con el colector en tu entorno (Monte Carlo)[7] | En las fuentes SQL, el perfil se ejecuta en la propia fuente y solo vuelven agregados y pocos ejemplos por columna; las reglas de fila y los duplicados usan una muestra de hasta 5.000 filas por tabla, procesada en la UE. Guardamos resultados y ejemplos limitados, nunca la tabla. Con la IA activa, los ejemplos siguen la política de IA del workspace |
|---|
| IA en tu cuenta | IA integrada en la plataforma del proveedor; clave propia o modelo en tu cuenta cloud no anunciados[1][2] | — | IA integrada en la plataforma del proveedor; modelo en tu cuenta cloud no anunciado[5][7] | Clave propia, Claude en tu cuenta de AWS o GCP, política de modelos por workspace con modo «IA desactivada» y muestras anonimizadas antes de cualquier proveedor económico |
|---|
| Conformidad con el AI Act | Gobierno de IA como módulo de la suite (Collibra: ISO 42001)[28] | — | Etiquetado del art. 50 y dosier del art. 10 no anunciados[5][29] | Etiquetado del art. 50 en todo el output de IA + dosier del art. 10 exportable |
|---|
| Seguridad, residencia y certificaciones | Informatica: ISO 27001 (BSI) y SOC 2 Type II; Collibra: SOC 2 e ISO 27001/42001, con trust center público. SaaS o instalación en el entorno del cliente[1][2][28] | Se ejecuta en tu perímetro: la seguridad y la certificación son las de tu infraestructura | Monte Carlo y Sifflet: SOC 2 Type II e ISO 27001; Monte Carlo en SaaS o híbrido, con el colector en tu entorno[5][7][29] | SaaS alojado en la UE (Google Cloud europe-west1), solo lectura impuesta en el código e IA opcional con tu clave o en tu cuenta de AWS o GCP (Bedrock o Vertex), con muestras anonimizables antes del modelo. IP de salida fija (Cloud NAT) para la lista de permitidos de tu firewall: preparada, aún por activar en producción. SOC 2 Type I en curso, ISO 27001 a continuación — sin sellos que no tenemos: no los afirmamos y respondemos con la evidencia técnica de cada control |
|---|
| Identidad y administración | SSO y control de acceso por roles, incluidos en la suite[1][2] | El open source no tiene usuarios; SSO y roles llegan con los planes cloud de pago (p. ej., Soda Team)[4] | SSO y roles en los planes superiores[5] | SSO por OIDC con tu IdP (Entra ID, Google Workspace, Keycloak…), MFA por TOTP obligatoria para los administradores de la organización y exigible a todo el workspace, roles por workspace, equipos, registro de auditoría exportable en CSV y acceso del soporte solo con tu consentimiento, en lectura y 72 h como máximo; aún sin SCIM |
|---|
| Soporte y SLA | Niveles de soporte y de disponibilidad en el contrato — Informatica IDMC: 99,5 % con créditos de servicio; Collibra: página de estado pública[1][2][30] | Comunidad en el open source; soporte con SLA solo en los planes de pago[3][4] | Soporte y SLA por plan, en el contrato anual[5] | Aún sin SLA contractual de disponibilidad ni de soporte: solo entra en el contrato después de un trimestre de disponibilidad medida y de una política de soporte por severidad, todavía en definición. Hoy: copias diarias con PITR de 7 días y modo offline si falla la IA |
|---|
| Salida de datos | Extracción de datos al final del contrato, según los términos del servicio[1][2] | Los tests y los resultados ya son tuyos, en código y en tu warehouse | Exportación de datos solo en los planes Scale y Enterprise (Monte Carlo)[31] | Exportación en autoservicio de los datos del workspace (RGPD) y de la configuración como código (datavault.yaml) |
|---|
| Coste real | Precio público en UK G-Cloud: Collibra DQ 122.919 £ por licencia/año; Informatica IDMC 74.999 £/año, más implantación[1][2] | Licencia 0; Soda Team 750 $/mes, más cómputo en el warehouse y horas de ingeniería[4] | Contratos anuales o por tabla monitorizada (Metaplane, con 10 tablas gratis); Sifflet ≈48 k$/año según su precio publicado[5][32] | Plan gratuito; de pago desde 490 €/mes, sin proyecto de implantación |
|---|