¿Qué es la telemetría?

La telemetría desempeña un papel clave en diversos sectores, como el sanitario, el aeroespacial, el automovilístico y el de la tecnología de la información (TI), ya que proporciona a las organizaciones conocimiento valioso sobre el rendimiento del sistema, el comportamiento de los usuarios, la seguridad y la eficiencia operativa. En sectores que dependen de activos físicos, como la agricultura, los servicios y el transporte, las organizaciones utilizan la telemetría para recoger medidas como la temperatura, la presión del aire, el movimiento y la luz. En el cuidado de la salud, los sistemas de telemetría pueden rastrear la frecuencia cardíaca, la presión arterial y los niveles de oxígeno.

En ambos casos, los instrumentos físicos y los sensores recopilan datos del mundo real y los envían a un repositorio central. Los datos a menudo se transmiten utilizando un protocolo de comunicación especializado como Modbus, PROFINET, OPC Unified Architecture o EtherNet/IP para su posterior análisis.

Sin embargo, los sensores físicos no están diseñados para captar indicadores digitales de rendimiento como las tasas de error, el uso de la memoria, los tiempos de respuesta, el tiempo de actividad y la latencia. En su lugar, los equipos de TI confían en la instrumentación de los dispositivos, a menudo a través de agentes basados en software: sensores digitales que se programan para supervisar y recopilar de forma autónoma los datos relevantes del sistema. Estos datos suelen estructurarse como métricas, eventos, registros y rastreos (MELT), y cada uno de ellos captura una visión diferente del comportamiento del sistema, los flujos de trabajo operativos y los plazos de rendimiento.

Las líneas entre los sistemas de telemetría físicos y digitales están empezando a desdibujarse, especialmente a medida que las empresas adoptan cada vez más estrategias de transformación digital, cuyo objetivo es infundir la tecnología digital en todas las áreas de una empresa.

Por ejemplo, un sector tradicionalmente físico como la fabricación podría utilizar sensores para capturar el consumo de energía, el control de calidad y las condiciones ambientales. Al mismo tiempo, podría depender de agentes de software para el seguimiento avanzado de activos, el mantenimiento preventivo y la monitorización del flujo de producción. Por esa razón, este artículo se centra principalmente en la telemetría de TI y su papel cada vez mayor en los entornos empresariales modernos.

En esencia, la telemetría de TI implica cinco pasos clave:

1. Recopilar métricas, eventos, registros y rastreos de fuentes remotas dispares con sensores o agentes de software
   
   
2. Transmitir esos datos a un repositorio central o enrutador a través de wifi, satélite, radio u otro medio de comunicación
   
   
3. Procesar y organizar los datos entrantes para que puedan consultarse fácilmente
   
   
4. Mantener los datos con una solución de almacenamiento como una base de datos de series temporales, un almacén de datos o un data lake
   
   
5. Analizar, interpretar y visualizar los datos para tomar decisiones empresariales mejor informadas, a menudo con la ayuda de una plataforma de observabilidad

Las estrategias eficaces de telemetría ayudan a las organizaciones a lograr la observabilidad full stack, o la capacidad de comprender el estado interno de una pila tecnológica de extremo a extremo basada en sus resultados.

La telemetría también es un componente importante del Internet de las cosas (IoT), un marco que dota a los dispositivos de sensores avanzados, software y conectividad de red, lo que les permite comunicarse e intercambiar datos en todo el sistema.

Los sistemas de telemetría varían según el sector y la complejidad del sistema. Las plataformas tradicionales utilizan dispositivos de grabación, históricamente llamados telémetros, para recopilar datos en o cerca de un equipo. Esta información se procesa, modifica y, a veces, convierte de analógica a digital, en un proceso llamado acondicionamiento de señales.

A continuación, un multiplexor combina múltiples flujos de datos en una señal compuesta, lo que ayuda a que los datos viajen de manera más eficiente. Esta señal combinada se transmite a una estación receptora remota a través de radio, satélite u otra forma de comunicación. Por último, un demultiplexor analiza las señales y las divide en hilos dispares para prepararlas para su análisis.

La telemetría funciona de forma diferente en los entornos informáticos modernos. En lugar de depender de sensores físicos, los sistemas centrados en las TI utilizan agentes de software, programas ligeros que se ejecutan junto a los servicios y las aplicaciones para capturar las métricas relevantes. En los entornos Kubernetes, estos agentes suelen operar en un contenedor independiente dentro del mismo clúster que los servicios que supervisan. Otras configuraciones pueden utilizar kits de desarrollo de software (SDK) para integrar agentes dentro de las propias aplicaciones, o utilizar API personalizadas para facilitar las transferencias de datos.

Después de la recopilación, los datos se transportan a través de un pipeline de telemetría, que puede estandarizar los datos, filtrar el ruido, agregar metadatos (como etiquetas de entorno y geolocalización) y enmascarar información confidencial para mantener el cumplimiento. Estos datos refinados se estandarizan con un formato como JSON o OpenTelemetry Protocol (OTLP).

A continuación, se enruta de forma inteligente a uno o más backends (los componentes del lado del servidor de un sistema de software, por ejemplo, servidores, bases de datos y lógica de aplicación) a través de gRPC, HTTP u otro protocolo de transporte. El backend es responsable de almacenar estos datos, analizarlos e interpretarlos y presentarlos en forma de paneles de control, alertas, recomendaciones y más.

Un único sistema de telemetría podría utilizarse para gestionar todo el flujo de trabajo, desde la recogida hasta el análisis. Sin embargo, a veces, especialmente en entornos multinube e híbridos modernos, las organizaciones pueden utilizar varios sistemas de telemetría especializados para gestionar diferentes partes del pipeline de observabilidad.

En TI, los tipos de telemetría más comunes son las métricas, los eventos, los registros y los rastreos, que a menudo se denominan colectivamente datos "MELT". Las organizaciones pueden utilizar las plataformas de observabilidad para combinar y analizar estas métricas y obtener una imagen completa de la seguridad de la plataforma, el comportamiento de los usuarios, la eficiencia del sistema y más.

Las métricas son medidas numéricas que indican el estado o el rendimiento del sistema. Algunos ejemplos son las tasas de solicitudes, el rendimiento de la red, los tiempos de respuesta de las aplicaciones, las tasas de conversión de usuarios y el uso de la CPU.

Los eventos son sucesos distintos que tienen lugar dentro del sistema. A menudo incluyen marcas de tiempo que muestran cuándo comenzó un evento y cuándo finalizó. Algunos ejemplos son las notificaciones de alerta, los intentos de inicio de sesión de los usuarios, las interrupciones del servicio, los fallos en los pagos y los cambios en la configuración.

Los registros proporcionan un registro continuo y una cronología del comportamiento del sistema, a diferencia de los eventos, que solo señalan incidentes particulares. Los ejemplos incluyen reinicios, consultas a bases de datos, historiales de acceso a archivos y pasos de ejecución de código. Los registros se utilizan a menudo para solucionar problemas y depurar errores, lo que ayuda a los equipos de TI a identificar el momento preciso en que se produjo un error.

Los rastreos reflejan el flujo de extremo a extremo de una solicitud o transacción de usuario específica a través de un entorno distribuido o de microservicio, con marcas de tiempo para cada paso. Los ejemplos incluyen llamadas API y HTTP, consultas a bases de datos y pagos de comercio electrónico. Los rastreos pueden identificar cuellos de botella y proporcionar conocimientos sobre la experiencia del usuario.

Aunque MELT muestra la amplitud de los datos de telemetría disponibles para las empresas, hay tipos de datos adicionales que quedan fuera de este marco, pero que siguen desempeñando un papel crítico en la observabilidad. Los límites entre los tipos de telemetría no siempre están claros y puede haber cruces. Por ejemplo, la latencia puede considerarse tanto una métrica como un punto de datos de telemetría de red. Otros tipos de datos de telemetría incluyen: 

• La telemetría de ubicación utiliza sensores o receptores GPS para rastrear la ubicación geográfica de una persona u objeto. Las aplicaciones incluyen gestión de flotas de transporte, servicios de emergencia, seguimiento de vida silvestre y seguridad de los trabajadores.
  
  
• La telemetría de red proporciona conocimientos en tiempo real sobre el tráfico, la seguridad y el rendimiento de la red mediante el seguimiento del uso del ancho de banda, las tasas de pérdida de paquetes, el rendimiento de las API y los datos del protocolo simple de gestión de redes (SNMP) (información relacionada con módems, enrutadores, servidores y otros dispositivos conectados).
  
  
• La telemetría de seguridad identifica comportamientos sospechosos y vulnerabilidades examinando los registros de autenticación, los registros de firewall, las consultas DNS, las alertas de detección de intrusiones y los datos de detección y respuesta de endpoints (EDR).
  
  
• La telemetría del usuario rastrea los patrones de uso de las aplicaciones, los registros de errores, la duración de las sesiones, las consultas de búsqueda y otros tipos de comportamiento del usuario. Estos datos se utilizan para optimizar aplicaciones y servicios, comprender las tendencias de los clientes y mantener una red segura.
  
  
• La telemetría de perfiles muestra cómo el software y las aplicaciones utilizan la CPU, la memoria y otros recursos del ordenador a lo largo del tiempo. Ofrece datos de rendimiento detallados que pueden ayudar a los desarrolladores a comprender el origen de una ralentización, así como qué partes del código base se utilizan más.
  
  
• La telemetría de nube recopila datos de rendimiento, seguimiento de costes y uso de los servicios cloud. Estos datos pueden incluir la actividad de almacenamiento, los cambios de configuración, los eventos de identidad y acceso y las decisiones de enrutamiento.
  
  
• La telemetría de IA puede realizar un seguimiento del rendimiento del modelo tanto durante el entrenamiento como durante la producción. Las métricas clave incluyen la desviación del modelo (seguimiento de cómo un modelo de machine learning pierde coherencia y precisión con el tiempo), puntuaciones de confianza (determinación de la confianza del modelo en sus predicciones) y latencia de inferencia (el tiempo que tarda el modelo en responder a una consulta) . Estas métricas pueden ayudar a los desarrolladores a mejorar la fiabilidad, la equidad y el rendimiento del modelo.

La telemetría es el proceso de recopilación y transmisión de múltiples tipos de datos desde sistemas y componentes distribuidos. Es la base de las capacidades de visibilidad de una organización, ya que ofrece conocimiento sobre el comportamiento y el rendimiento de cada componente. En última instancia, las empresas confían en la telemetría para impulsar sus sistemas de monitorización y observabilidad.

La monitorización se refiere a la forma en que las organizaciones utilizan los datos de telemetría que han recopilado. Por ejemplo, un sistema de monitorización de telemetría podría usar paneles de control para ayudar a los equipos de DevOps a visualizar el rendimiento del sistema. Mientras tanto, las automatizaciones de alertas pueden enviar notificaciones cada vez que se produce un evento notable, como una interrupción de la red o una vulneración de datos.

La observabilidad implica interpretar los datos operativos y entender cómo los diferentes flujos de datos se correlacionan con el estado y el rendimiento del sistema. La observabilidad no solo analiza los datos actuales, sino que también detecta tendencias más amplias, utilizándolas para informar y optimizar la toma de decisiones empresariales y el uso de recursos. Las plataformas de observabilidad modernas suelen incluir funciones de telemetría y monitorización integradas. La observabilidad también desempeña un papel clave en el apoyo a las tecnologías emergentes, incluida la IA agéntica y las plataformas de IA generativa.

Un marco de código abierto llamado OpenTelemetry (OTel) se encuentra entre las plataformas de telemetría más populares, valorado por su flexibilidad (su diseño modular fomenta la personalización), asequibilidad (sus componentes principales están disponibles sin costo alguno) y compatibilidad (es compatible con múltiples proveedores y programación idiomas). OTel no gestiona el almacenamiento ni la visualización de telemetría. En su lugar, proporciona un conjunto estandarizado de SDK, API y otras herramientas orientadas a la recopilación y transmisión de datos.

Casi la mitad de las organizaciones de TI utilizan OTel, mientras que un 25 % adicional planea implementar el marco en el futuro, según un informe de 2025 de la empresa de IA Elastic. Las organizaciones con sistemas de observabilidad maduros tienen más probabilidades de utilizar OTel, en comparación con las empresas con flujos de trabajo de observabilidad menos desarrollados. IBM Instana, Datadog, Grafana, New Relic, Dynatrace y Splunk cuentan con un sólido soporte para OTel.

Un marco alternativo de código abierto llamado Prometheus comparte algunas similitudes con OTel. La Cloud Native Computing Foundation (CNCF), una subsidiaria de la Linux Foundation sin fines de lucro, aloja ambas soluciones. A diferencia de OTel, Prometheus tiene algunas capacidades de almacenamiento de datos y visualización de datos. Pero tiene un alcance ligeramente más limitado: mientras que OTel puede recopilar diferentes tipos de datos de telemetría, Prometheus trabaja exclusivamente con métricas.

La normalización de la telemetría es el proceso de convertir métricas en un formato estandarizado para que las herramientas de analytics puedan almacenar, leer y interpretarlas. Existen dos enfoques principales:

En este proceso de datos, todos los datos deben coincidir con un formato predefinido antes de que puedan almacenar y recuperarse. Si bien el esquema en escritura es altamente confiable, puede ser difícil de implementar en arquitecturas de TI modernas, que involucran múltiples sistemas, cada uno con formatos y procesos de archivo distintos.

El esquema en escritura se usa comúnmente en repositorios de datos centralizados llamados almacenes de datos. Estas soluciones de almacenamiento pueden mantener grandes cantidades de datos de telemetría, pero solo si esos datos están estructurados y organizados en un formato predefinido. Los almacenes de datos pueden resultar costosos de ampliar y mantener, pero son ideales para la inteligencia empresarial, el análisis de datos y otros flujos de trabajo en los que la coherencia y la fiabilidad son prioridades absolutas.

Este enfoque recopila datos en su formato original y los convierte solo cuando un usuario los recupera. Aunque resulta más complejo desde el punto de vista operativo, el esquema de lectura puede manejar datos en múltiples formatos, lo que lo hace más flexible que el esquema en escritura.

El esquema en lectura es común en los data lakes, que son como los almacenes de datos, pero pueden almacenar y gestionar tanto datos semiestructurados como datos no estructurados junto con datos estructurados. Los data lakes son valorados por su eficiencia de costes y agilidad, lo que los hace especialmente ideales para herramientas de análisis basadas en machine learning. Pero sin un gobierno sólido, pueden ser difíciles de gestionar, lo que da lugar a datos no verificados o incoherentes.

Una alternativa emergente llamada lakehouse de datos tiene como objetivo combinar los mejores elementos de los data lakes y los almacenes de datos. El marco admite el esquema en lectura para los datos no estructurados, al tiempo que permite el esquema en escritura para los datos estructurados. Este enfoque híbrido ayuda a las organizaciones a mantener la coherencia y la precisión al tiempo que obtienen un beneficio de la flexibilidad y la agilidad de data lake.

Los datos de telemetría pueden ser difíciles de recopilar, mantener y almacenar, especialmente en entornos híbridos y multinube modernos. Entre los retos más comunes se incluyen:

La telemetría permite a las organizaciones transformar los datos en conocimientos que se pueden ejecutar que se pueden utilizar para mejorar el rendimiento, la eficiencia del flujo de trabajo, la elaboración de presupuestos, la experiencia del cliente y más.