Datos abiertos vs base de datos lista para usar: cuál conviene

Datos abiertos o base de datos lista para usar: cuánto trabajo exige limpiar datos públicos de Latinoamérica y cuándo conviene pagar.

Respuesta corta: los datos abiertos son gratis y oficiales, pero casi nunca están listos para analizar: vienen en muchos archivos, con columnas codificadas, duplicados, formatos distintos por año y sin enriquecer. Una base de datos lista para usar parte de esas mismas fuentes y te ahorra la limpieza, la unión y la documentación. Conviene usar datos abiertos cuando necesitas una consulta puntual o tienes un equipo de datos con tiempo; conviene una base lista cuando necesitas el resultado esta semana y para varios años o países.

En datasets.lat muchas bases nacen de datos abiertos oficiales. Aquí mostramos, con ejemplos reales, qué trabajo hay entre el portal y el archivo final.

Definiciones

• Datos abiertos: datos publicados por un organismo con permiso de reutilización, en formatos descargables. Ejemplos: datos.gov.co en Colombia, el Registro de Empresas y Sociedades en Chile, el SNIIM en México o Comex Stat en Brasil.
• Base de datos lista para usar: un archivo tabular, limpio y documentado, con una fila por entidad o evento, columnas con nombre en español, formatos normalizados y conteos verificados.
• Preparación de datos: el trabajo de descargar, unir, limpiar, deduplicar, normalizar, enriquecer y documentar. En proyectos de análisis suele consumir buena parte del tiempo total.

Qué pasa entre el portal oficial y el archivo final: 6 ejemplos reales

Estos son pasos que hicimos para publicar datasets del catálogo. Todos los números salen de esos procesos.

1. Estados financieros de Colombia. La Superintendencia de Sociedades publica las cifras en tablas separadas (carátula, estado de situación financiera y estado de resultados). Hubo que unirlas por radicado, quedarse con el período actual, eliminar 1.060 reenvíos del mismo informe, restaurar tildes y eñes que la fuente publica sin ellas, normalizar celulares y teléfonos a E.164 y calcular indicadores (razón corriente, endeudamiento, margen, ROE). Resultado: 234.459 balances de 39.314 sociedades.
2. Compras planificadas de México. Los programas anuales de adquisiciones traían 4.801 líneas repetidas de forma idéntica. Además, agregamos capítulo y concepto del gasto, precio unitario estimado, porcentaje reservado a MIPYMES y trimestre principal. Resultado: 457.422 líneas de 380 dependencias.
3. Contratos SECOP II 2025. Retiramos datos personales (representantes, supervisores, datos bancarios), excluimos 1.867 contratos con personas naturales, convertimos los valores a dólares con la TRM del mes de firma y marcamos 7 contratos con valores imposibles por errores de digitación. Resultado: 143.396 contratos con empresas.
4. Empresas de Chile 2013-2024. Unimos 12 archivos anuales del Registro de Empresas y Sociedades, validamos cada RUT con su dígito verificador y agregamos nombres de región a los códigos. Resultado: 1.277.622 empresas.
5. Despachos de aduana de Paraguay. Archivos mensuales a nivel de ítem, con 96 líneas duplicadas, caracteres Ñ dañados, países en códigos y tributos en guaraníes. Agregamos descripciones NCM en español, precio FOB por kg y tributos en dólares. Resultado: 1.801.956 líneas de despachos.
6. Negocios de OpenStreetMap. Los datos son abiertos (licencia ODbL), pero buscamos los sitios web de 18.884 dominios para completar contactos: 4.652 ya no existían y 9.211 publicaban algún dato de contacto. Así sumamos 5.929 emails encontrados en los propios sitios. Resultado: 81.564 negocios de 20 países.

Comparación

Cuándo usar datos abiertos directamente

• Necesitas un dato puntual (un contrato, una empresa, un mes).
• Tienes un equipo con tiempo y herramientas para limpiar y mantener el proceso.
• Necesitas el dato del día y la fuente ofrece una API estable.
• Tu proyecto exige trabajar con el archivo original sin intermediarios.

Cuándo conviene una base lista

• Necesitas varios años o varios países en un solo archivo.
• Vas a cruzar fuentes (por ejemplo contratos públicos con estados financieros) y necesitas identificadores normalizados.
• El costo de tu tiempo supera el precio del dataset.
• Necesitas columnas que la fuente no trae: dólares, indicadores, contactos, clasificaciones en español.

Cómo decidir en 5 pasos

1. Escribe la pregunta que quieres responder y qué columnas necesitas.
2. Busca la fuente oficial y descarga un mes o un año de muestra.
3. Mide el trabajo: cuántos archivos, qué columnas faltan, qué hay que unir o corregir.
4. Compara con la muestra gratis del dataset listo: 25 filas en la página o 500 filas por email.
5. Calcula el costo de tu tiempo frente al precio, considerando que tendrás que repetir el proceso en cada actualización.

Preguntas frecuentes

¿Por qué pagar por algo que el Estado publica gratis?

No pagas por el dato, pagas por el trabajo de reunirlo, limpiarlo, enriquecerlo y documentarlo, y por recibir las nuevas versiones ya procesadas.

¿Las bases de datasets.lat citan su fuente?

Sí. Cada ficha indica la fuente oficial, la fecha de consulta y cómo preparamos el archivo, incluidas las filas descartadas y por qué.

¿Puedo usar los datos para fines comerciales?

Sí, dentro de la licencia de cada dataset. En los derivados de OpenStreetMap, si redistribuyes la base, debes mantener la atribución y la licencia ODbL.

¿Qué pasa si encuentro un error en una base?

Puedes reportarlo desde la página del dataset. Si confirmamos el error, lo corregimos en la siguiente versión, que recibes gratis si compraste.

¿En qué formatos se descarga?

En CSV, Excel o JSON, a elección del comprador.

Prueba con una muestra

Elige un dataset nacido de datos abiertos, como los estados financieros de Colombia o el comercio exterior de Brasil, compara la muestra gratis con el archivo oficial y decide. Explora más en bases de datos de empresas, licitaciones públicas y datos financieros.

拉丁美洲企业数据库