¿Qué es la telemetría?

La telemetría desempeña un papel clave en diversas industrias, como la de la atención médica, la aeroespacial, la automotriz y la tecnología de la información (TI), brindando a las organizaciones insights valiosos sobre el rendimiento del sistema, el comportamiento del usuario, la seguridad y la eficiencia operativa. En industrias que dependen de activos físicos, como la agricultura, los servicios públicos y el transporte, las organizaciones utilizan la telemetría para capturar mediciones como la temperatura, la presión del aire, el movimiento y la luz. En la atención médica, 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 empleando un protocolo de comunicación especializado como Modbus, PROFINET, OPC Unified Architecture o EtherNet/IP para análisis posteriores.

Sin embargo, los sensores físicos no están diseñados para capturar indicadores de rendimiento digital como tasas de error, uso de memoria, tiempos de respuesta, tiempo de actividad y latencia. En cambio, los equipos de TI dependen de la instrumentación de dispositivos, a menudo a través de agentes basados en software: sensores digitales que están programados para monitorear y recopilar de forma autónoma datos relevantes del sistema. Estos datos a menudo se estructuran como métricas, eventos, registros y rastreos (MELT), y cada uno captura una vista 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 comenzando a desdibujarse, especialmente a medida que las empresas adoptan cada vez más estrategias de transformación digital, cuyo objetivo es infundir tecnología digital en todas las áreas de un negocio.

Por ejemplo, una industria tradicionalmente física como la fabricación podría usar 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 el monitoreo del flujo de producción. Por esa razón, este artículo se centra principalmente en la telemetría de TI y su papel en expansión 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 lago de datos
   
   
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 de telemetría eficaces ayudan a las organizaciones a lograr la observabilidad de lote completo o la capacidad de comprender el estado interno de una pila tecnológica de extremo a extremo en función de sus resultados externos.

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

Los sistemas de telemetría varían según la industria y la complejidad del sistema. Las plataformas tradicionales utilizan dispositivos de grabación, históricamente llamados telémetros, para recopilar datos en un equipo o cerca de este. Esta información se procesa, modifica y, a veces, se 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. Finalmente, un demultiplexor analiza las señales y las divide en hebras dispares para prepararlas para el análisis.

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

Después de la recopilación, los datos se transportan a través de un canal 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 u 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, alertas, recomendaciones y más.

Se puede utilizar un único sistema de telemetría para gestionar todo el flujo de trabajo, desde la recopilación hasta el análisis. Sin embargo, a veces, especialmente en entornos multinube e híbridos modernos, las organizaciones pueden utilizar múltiples sistemas de telemetría especializados para gestionar diferentes partes del pipeline de observabilidad.

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

Las métricas son mediciones numéricas que son indicativas del estado o rendimiento del sistema. Los ejemplos incluyen tasas de solicitud, rendimiento de la red, tiempos de respuesta de las aplicaciones, tasas de conversión de usuarios y uso de 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 terminó. Los ejemplos incluyen notificaciones de alertas, intentos de inicio de sesión del usuario, interrupciones del servicio, fallas de pago y 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 emplean a menudo para solucionar y depurar errores, ayudando a los equipos informáticos a determinar el momento exacto en que se produjo un fallo.

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 insights sobre la experiencia del usuario.

Si bien MELT presenta la amplitud de los datos de telemetría disponibles para las empresas, hay tipos de datos adicionales que quedan fuera de esta infraestructura pero que siguen desempeñando un papel crítico en la observabilidad. Los límites entre los tipos de telemetría no siempre son 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 insights 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 mediante el examen de registros de autenticación, registros de cortafuegos, consultas DNS, alertas de detección de intrusiones y datos de detección y respuesta de endpoints (EDR).
  
  
• La telemetría del usuario rastrea patrones de uso de aplicaciones, registros de errores, duraciones de sesiones, consultas de búsqueda y otros tipos de comportamiento del usuario. Estos datos se emplean 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 informáticos 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 con mayor frecuencia.
  
  
• La telemetría de nube recopila datos de rendimiento, seguimiento de costos y uso de los servicios en la nube. Estos datos pueden incluir actividad de almacenamiento, cambios de configuración, eventos de identidad y acceso y decisiones de enrutamiento.
  
  
• La telemetría de IA puede rastrear el rendimiento del modelo durante el entrenamiento y 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 confiabilidad, la equidad y el rendimiento del modelo.

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

El monitoreo se refiere a cómo las organizaciones hacen uso de los datos de telemetría que han recopilado. Por ejemplo, un sistema de monitoreo de telemetría podría usar paneles para ayudar a los equipos de DevOps a visualizar el rendimiento del sistema. Mientras tanto, las automatizaciones de alertas pueden entregar notificaciones cada vez que se produce un evento notable, como una interrupción de la red o una filtración de datos.

La observabilidad implica interpretar datos operativos y comprender cómo los diferentes flujos de datos se correlacionan con el estado y el rendimiento del sistema. La observabilidad no solo analiza datos actuales sino que también detecta tendencias más amplias y las emplea para informar y optimizar la toma de decisiones empresariales y el uso de recursos. Las plataformas de observabilidad modernas a menudo incluyen funciones de telemetría y monitoreo 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) y compatibilidad (es compatible con múltiples proveedores y programación idiomas). OTel no controla el almacenamiento ni la visualización de telemetría. En cambio, 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 la infraestructura 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 un poco 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 a un formato estandarizado para que las herramientas de analytics puedan almacenarlas, leerlas e interpretarlas. Hay dos enfoques principales:

En este enfoque de procesamiento de datos, todos los datos deben coincidir con un formato predefinido antes de que puedan almacenarse 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 de información 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 ser costosos de escalar y mantener, pero son ideales para la business intelligence, los analytics de datos y otros flujos de trabajo en los que la coherencia y la confiabilidad son prioridades absolutas.

Este enfoque recopila datos en su formato original y los convierte solo cuando un usuario los recupera. Si bien es más complejo desde el punto de vista operativo, el esquema en 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 lagos de datos, que son como almacenes de datos, pero pueden almacenar y gestionar datos semiestructurados y sin procesar, no estructurados junto con datos estructurados. Los lagos de datos se valoran por su rentabilidad y agilidad, lo que los hace especialmente ideales para herramientas de analytics impulsadas por machine learning. Pero sin una gobernanza sólida, 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 lagos de datos 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 lagos de datos.

Los datos de telemetría pueden ser difíciles de recopilar, mantener y almacenar, especialmente en entornos híbridos y multinube modernos. Los desafíos comunes incluyen:

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