La Calidad de Datos =
Tabla de contenidos
1. Introducción
2. Problemática actual
3. Objetivos
4. Solución de Negocio: Tecnología
5. Solución de Negocio: Metodología
6. Solución de Negocio: Know- How
7. Solución de Negocio: Entorno Colaborativo
8. Beneficios
1. Introducción
La calidad de datos ha sido hasta la fecha el último peldaño a tener en cuenta en cualquier proyecto tecnológico. Las compañías estaban más centradas en asumir nuevas tecnologías que permitieran que las compañías crecieran y permitiesen explotar la información que se generaba que en otras tareas.
De ahí la gran explosión en proyectos de Integración de Datos (ETL) e Inteligencia de Negocio (BI) que ha habido durante los últimos años. Al mismo tiempo, este crecimiento ha requerido de grandes inversiones en HW y en Enterprise Applications (ERP, CRM) que sustentaran las nuevas aplicaciones y el creciente volumen de datos.
Sin embargo, el hecho de tener información contrastada de calidad se ha dejado en el tintero. Ha primado el “vamos a almacenar todo lo que podamos que ya veremos como lo explotamos después”. Ha sido con la crisis, y el parón en inversiones, cuando se ha vuelto los ojos a la eficiencia y a la productividad, y ahí es donde aparece de manera diáfana la importancia de la calidad de los datos.
En los últimos años, los analistas líderes en la industria y los expertos en calidad de datos vienen alertando de que el éxito de un CRM, DWH, ODS o ERP dependen en gran parte de la calidad de información de una organización.
Por su parte, en el área del Master Data Management: “El 25% de los datos de clientes de cualquier sistema transaccional u operacional cambian anualmente” (TDWI).
Al mismo tiempo, en elámbito del Data Warehousing & BI, se sabe que “La mayoría de los usuarios de BI y DW sólo pueden esperar hasta que este flujo de datos de mala calidad se distribuya por la compañía y contamine los sistemas DW/BI.” (Forrester)
Finalmente, en el sector de Data Governance es evidente a día de hoy que “Las barreras de la gobernabilidad son eliminadas si la organización adopta planes de calidad, invierte en tecnología y desarrolla procesos para la gestión de la calidad de los datos.”( TDWI).
Paradójicamente, las necesidades de inteligencia de negocio van aumentando día a día y cada vez son más inmediatas, destinándose además a objetivos a largo plazo, ya que no se utilizan únicamente para saber cómo se ha comportado la compañía en el último mes o trimestre, si no también para predecir qué va a pasar en el siguiente semestre.
*Fuente imagen:
2. Problemática actual
Actualmente, alrededor de la calidad de los datos existen distintos tipos de problemáticas. Vamos a analizarlas:
Problemática Organizacional
Un enfoque de colaboración organizativa dentro de la compañía es fundamental para lograr resultados significativos y superar los problemas de calidad de datos. Y ello es así a medida que cada vez más organizaciones recurren a iniciativas de DQ, a veces impulsadas por TI o a veces por el propio negocio, con el objetivo de aumentar el crecimiento de los ingresos, de la productividad o la satisfacción del cliente.
A medida que más y más organizaciones recurren a iniciativas de DQ, a veces impulsadas por TI, a veces por el negocio, con el objetivo de aumentar el crecimiento de los ingresos, o de la productividad, o la satisfacción del cliente, un enfoque de colaboración organizativa dentro de la compañía es fundamental para lograr resultados significativos y superar los problemas de calidad de datos
Lamentablemente, muchas organizaciones carecen de la experiencia y los conocimientos necesarios para manejar la calidad de sus datos.
Lo cierto es que, según Gartner: “La pobre calidad de los datos es la norma y no la excepción, pero la mayoría de organizaciones se encuentran en un estado de negación acerca de este tema".
De hecho, en una reciente encuesta realizada por PriceWaterhouseCoopers, el 75% de 600 empresas encuestadas reportaron problemas significativos como resultado de datos defectuosos. De éstos, un tercio ha dejado de facturar o cobrar un crédito como resultado.
Por otro lado, el coste asociado a la generación y validación de informes erróneos (perdida de confianza por múltiples dominios de dato, informes con misma unidad pero distinto valor, retrasos en la consigna de informes, etc) y el retraso en el “Time to Market” de nuevos productos, apenas son evaluados por los Board of Directors.
Los nuevos tipos de datos están llegando desde muchas direcciones y todos necesitan una estrategia DQ . Vamos a analizarlo:
Necesidad de enriquecer con datos de terceros .
De hecho, en la actualidad las técnicas, proyectos y herramientas de DQ tendrán que adquirir y enriquecer los datos a partir de fuentes de terceros (consumidores, negocios de producto o de servicio y geográfica).
DQ a través de Web-Service.
Muchas organizaciones aún carecen de una estrategia de DQ para datos de la Web u On-Line, a pesar de tener un sitio Web / App de entrada manual on-line durante años que sirve como un punto de contacto del cliente.
Desarrollar nuevas estrategias de DQ para los datos de las nuevas plataformas.
Incluye los tipos de datos inusuales provenientes de los sensores, robots, y dispositivos móviles. Al igual que con otros dominios de datos, éstos deben ser normalizados, estandarizados e incluso validados.
Datos tipo texto.
Globalización
Adicionalmente, en un entorno como el actual, donde existen múltiples sistemas conviviendo en paralelo, donde las adquisiciones y fusiones están a la orden del día y los sistemas históricos no acaban de ser jubilados, y donde cada vez más información es recogida por cualquier canal y las compañías se vuelven internacionales, se hace evidente que el problema de la calidad de datos está agravándose y a la orden del día.
Los negocios globales necesitan datos operacionales que estén listos para el mercado global. La internacionalización de los datos, y por ende de su calidad, se ha convertido rápidamente en una prioridad porque es un factor clave de éxito para el crecimiento de las empresas en nuevos mercados. Por lo tanto, hay que seleccionar herramientas de proveedores que soporten la internacionalización de funciones relacionadas con DQ , tales como:
● Las normas postales para la correcta entrega de paquetes y documentos.
● Las estándares de los números de teléfono
● Identificadores únicos (por ejemplo, DNI con dígito de control, Número de Seguridad Social).
● Fonética.
● Códigos del juego de caracteres.
* Fuente imagen:
3. Objetivos
Son varios los objetivos que se persiguen con una buena calidad de los datos. Vamos a analizarlos:
Así, en primer lugar, el objetivo principal de los proyectos de calidad de datos es ayudar al negocio a interactuar con el cliente de una manera más eficiente y haciendo que la experiencia del cliente resulte lo más grata posible.
Al mismo tiempo, un objetivo parelelo es el de aumentar la retención y lealtad de dicho cliente. Estos objetivos pertenecen en un 100% al negocio. La verdad es que, si el cliente percibe una experiencia grata el ratio de retención y lealtad se incrementará.
Además, si esto se logra la contrapartida será conseguir vender más y sobre más productos. Los indicadores clave del mercado en este aspecto son ARPU (ingresos medios por usuario), AMPU (margenes medios
por usuario) y CHURN RATE (tasa de cancelación de clientes).
Otro objetivo claro es el de convencer a toda la compañía de las bondades de arrancar un proyecto de calidad de datos. En este sentido, un sponsor fuerte y convencido de los resultados, generará la confianza y el tiempo para lograrlo.
En este sentido, las soluciones DQtienen un ROI predecible y medible: la eliminación de anomalías, errores y duplicaciones en la información del cliente. Al mismo tiempo, proporcionan una única fuente de la verdad, limpia y enriquecida, para tener una visión única de los clientes o productos en toda la organización.
PowerData ha acumulado un amplio conocimiento y experiencia en mejores prácticas en el ámbito de proyectos de DQ. Ciertamente, tenemos el know-how y el knowledge que garantizan el éxito en la implementación de un CRM o un DWH, que es la calidad de los datos.
Qué se persigue con una buena calidad de datos?
● Establecer metas medibles y realistas
● Alinear las expectativas de negocio y TI y en este sentido, confirmar que la alta dirección es el sponsor del proyecto
● Entender el coste de la mala calidad de los datos.
● Usar una metodología de mejora continua
● Usar un calendario de despliegue por fases
● Medir el ROI
* Fuente imagen:
4.
Solución
de
Negocio:
Tecnología/Arquitectura
Desde el punto de vista de negocio, una solución de calidad de datos se basa en cuatro pilares: tecnología, know-how, procesos y metodología. Vamos a analizar detenidamente el primero de ellos.
Ciertamente, la tecnología es fundamental por las funcionalidades intrínsecas, la mejora continua de nuevas funciones, el soporte ofrecido, etc, generando una eficiencia en términos de tiempos de desarrollo y una reducción en costes muy significativa.
La arquitectura a emplear en una solución de calidad de datos está integrada por varios componentes y a su vez, cada uno de esos
componentes está especializado en ofrecer soluciones concretas eficientes.
En este sentido, básicamente, lo primero que necesitamos es un módulo que nos proporcione una visión completa de cómo está nuestra base de datos con respecto a los principales atributos de los datos.
A continuación, necesitamos un módulo que nos permita desarrollar reglas de negocio sobre los defectos encontrados en nuestra base de datos. Este módulo debe ser completado con dos sub-módulos más: el identificador de duplicados y el identificador fonético.
para identificar y sustituir las variantes de un nombre por su nombre real de una forma automática.
Y finalmente, y quizá el módulo más importante, es el firewall que impedirá que nuevos datos erróneos entren de nuevo en los sistemas, ya que sin ello no tendría sentido un proyecto de calidad de datos.
Técnicas DQ
DQ es una familia de ocho o más técnicas relacionadas entre sí. La estandarización de datos es el método más comúnmente usado, seguido de verificaciones, validaciones, monitoreo, profiling, matching, y así sucesivamente.
Las organizaciones suelen aplicar sólo una técnica, a veces un par de ellas, y generalmente sobre un único tipo de datos. El más usual es la limpieza del nombre y dirección aplicado a los conjuntos de datos de contacto directo, aunque difícilmente se aplica a los conjuntos de datos fuera de las campañas de marketing directo.
Del mismo modo, las técnicas de deduplicación, unificación y enriquecimiento son raramente aplicadas fuera del contexto del householding.
Muchos DQ se centran en el dominio de datos de clientes únicamente. La realidad es que también se podrían mejorar otros ámbitos, tales como productos, datos financieros, socios, empleados y ubicaciones.
Los proyectos actuales de DQ son una especie de hub de calidad que apoyan el intercambio de datos a través de diversas aplicaciones, debiendo soportar funciones básicas de agregación, estandarización, resolución de identidad, etc ,en tiempo real.
Real Time DQ
La migración gradual hacia la operación en tiempo real es la tendencia actual en la gestión de datos. Esto incluye los datos disciplinas de gestión de calidad de datos, integración de datos, gestión maestra de datos y el procesamiento de eventos complejos.
Entre éstos, la gestión de la calidad en tiempo real es el segundo en crecimiento, después de MDM y justo antes de la integración.
el BI operacional, las transacciones financieras, cross & up selling y las campañas de marketing.
Del mismo modo, estos mismos procesos exigen el intercambio de datos en tiempo real a través de múltiples aplicaciones con la superposición de responsabilidades (por ejemplo, un registro de cliente compartida entre la planificación de recursos empresariales y aplicaciones de CRM ).
Por estas y otras situaciones, la calidad de datos en tiempo real reduce el riesgo empresarial y corrige o mejora la información mientras está en movimiento en un proceso de negocio .
Perfilado
Mejorar continuamente la calidad de los datos es un reto cuando no se sabe el estado actual de los datos y su uso. Además, comprender los datos empresariales a través de profiling es un punto de partida para decidir qué datos necesitan especial atención.
¿Qué es el perfilado? Se trata de una serie de técnicas para identificar datos erróneos, datos nulos, datos incompletos, datos sin integridad referencial, datos que no se ajustan al formato requerido, patrones de información de negocio, tendencias, medias, desviaciones estándares, etc.
Es fundamental contar con un buen perfilado por dos motivos: 1) el análisis sobre el proyecto es realista y fidedigno y 2) nos permitirá a partir de la segunda iteración, medir y comparar la evolución de los indicadores de gobierno del proyecto de calidad.
En este sentido, para que el profiling se convirtierta en una técnica esencial para el DQ debe cumplir ciertos requisitos:
Debe ser reusable
Por lo general el profilingestá centrado en la generación de estadísticas sobre los tipos de datos y los valores de una sola columna de una tabla en una base de datos .
Sin embargo, una buena herramienta debería revelar dependencias que llegaran a través de múltiples tablas, bases de datos y de sistemas .
Monitorización de datos
El seguimiento de datos es una forma de profiling, ya que cada vez que se utiliza mide el grado de avance de la calidad. Esta es la clave para corroborar la mejora continua de los datos.
Monitorización de procesos de calidad de datos
lo cual es imprescindible en cualquier proceso de calidad de datos.
Componentes de la Arquitectura
La arquitectura está compuesta por varios elementos. Vamos a analizarlos:
Data Quality Web Services
Se trata de una facilidad para desarrollar web services que son llamados desde PowerCenter Web Services Hub con el propósito de invocar mappings conteniendo transformaciones de Informatica Data Quality u otros procesos o aplicativos llaman a estos web services. La ventaja fundamental es que permiten gestionar la información que entra a los sistemas, impidiendo entrada de información manual..
Identity Resolution
Proporciona un diccionario de las palabras más usadas en el país con el objeto de identificar y hacer match de la jerga.
AddressDoctor Software Library
Proporciona la funcionalidad de parseo, limpieza, validación y estandarización de direcciones así como de asignación de geo- coordenadas. Es el diccionario de la verdad indispensable para evitar tener cientos de variantes de calles en el sistema.
Data Explorer
Proporciona un entorno de cliente servidor para tres dimensiones de perfilado (columna, tabla, cross tabla), orphan analysis, validación clave, identificación y tagging de problemas de calidad.
Data Analyzer
Pensado para analizar, estandarizar, enriquecer, deduplicar, corregir y reportar todos los master data types incluyendo cliente, producto, inventario, activos y datos financieros. Permite desarrollar reglas de calidad customizadas según las necesidades concretas de cada cliente.
Data Quality Identity Match Option
* Fuente imagen:
5.
Solución
de
Negocio:
Metodología
La metodología es el nexo de unión entre tecnología y know-how. Sin un método preciso y claro de mejora continua para realizar el proyecto, estamos abonados a eternizar el mismo y minar las esperanzas del sponsor.
Verdaderamente, uno de los aspectos clave para tener éxito en los proyectos de calidad es encontrar una metodología que se adapte al tipo de proyecto. Y no todas las metodologías lo hacen. Las que mejor encajan en este tipo de proyectos son las metodologías “lean”, como six-sigma o velocity.
A su vez, debe tratarse de una metodología de mejora continua que permita optimizar en cada iteración.
Cuáles deberían ser los aspectos principales?
● Realizar un perfilado de los datos candidatos a entrar en el proyecto
● Analizar los resultados
● Establecer KPI’s y SLA’s
● Desarrollar reglas de negocio acorde a los resultados obtenidos
● Medir
● Comparar
Al mismo tiempo, los SLA’s deben ser básicos al comienzo, medios durante el proyecto y altos una vez el proyecto está consolidado y el plan de calidad está en productivo.
DQ como servicio
técnicas de DQ esté ́n disponibles como servicios que se puedan llamar desde una amplia gama de herramientas, aplicaciones, bases de datos, y procesos de negocio.
Los beneficios serían los siguientes:
Mayor interoperabilidad
La verdad es que, a la la tradicional APIs, ODBC y JDBC, se pueden complementar con los servicios Web y arquitectura orientada a servicios (SOA ) en soluciones DQ.
Nuevas arquitecturas de aplicaciones
Los servicios DQ se pueden incrustar en cualquier aplicación y permiten ejecutar en tiempo real, a demanda, o por lotes.
Reutilización y consistencia
Generalizando, cualquier técnica de calidad de datos puede convertirse en un servicio de DQ. Las reglas de negocio, validaciones, estandarizaciones, etc, pueden volver a ser usados en otros proyectos. Y su reutilización, adicional al ahorro de costes, fomenta una mayor coherencia en los datos.
Métricas
Las métricas acerca de la calidad de los datos tienen mucho que ver con sus atributos. Un proyecto de calidad de datos debería medir:
Precisión
Exactitud general de los datos en un conjunto. Se determina comparando el conjunto de datos con una fuente de referencia fiable.
Completitud
Se trata de los datos que faltan, es decir, los campos en el conjunto de datos que se han quedado vacíos o cuyos valores predeterminados se han quedado sin cambios.
Conformidad
Valores de datos de un tipo similar introducidos de una manera confusa o inutilizables, por ejemplo, números de teléfono que incluyen / omiten los códigos de área.
Consistencia
información personal y de negocios.
Integridad
Tiene que ver con el reconocimiento de asociaciones significativas entre los registros de un conjunto de datos.
Duplicidad
Datos que duplican entre sí la información, y que habitualmente comporta el desconocer cuál es el más actualizado.
6. Solución de Negocio: Know-
How
El know-how es la clave. Los proyectos de calidad de datos no suelen ser complejos, pero sí requieren de un análisis muy detallado que defina los business goals de la organización. Y la experiencia de un partner aquí es simplemente necesaria.
De hecho, en muchas ocasiones las organizaciones fallan a la hora de reconocer la importancia de definir o diseñar business goals(por falta de definición). La principal causa es la falta de experiencia interna para definir la solución óptima para sus entornos.
Estas compañías necesitan un partner y una tecnología que les ayude a tomar la decisión correcta, y que al mismo tiempo les ayuden a establecer unos claros y conseguibles objetivos. Y una vez que los business goals están diseñados, viene la parte del desarrollo y la implementación, donde, una vez más, un partner especializado es fundamental para lograr el éxito.
La gran ventaja de los partners es la eficiencia con la que se aproximan a este tipo de proyectos debido a su experiencia. Los beneficios son claros en cuanto a rapidez en la implementación. Se estima una mejora en tiempos de un 70% vs las soluciones in-house. Experiencia, best practices y conocimiento marcan la diferencia.
mismas y los múltiples módulos para acometer de manera independiente problemas distintos hacen que la solución sea económica.
¿Cuáles son los problemas más frecuentes?
Baja precisión del stock, facturas erróneas, incumplimiento de auditoría, inexactitud en los reportes financieros, coste de enviar productos y campañas promocionales a clientes y direcciones inexistentes, gastos de envío adicionales para la corrección de direcciones ( Fedex), e incluso pérdida de ingresos telemarketing
¿Y los síntomas más comunes?
Tiempo en la preparación de los pedidos, duplicar reportes, órdenes incorrectas, duplicación de la información, erosión de relaciones con los clientes, pérdida de oportunidades cross-selling y
up-selling, etc.
De hecho, cada punto de contacto con el cliente es una fuente potencial de corrupción de datos. Los motivos son variados:
● Los clientes que se dan de alta vía web intencionalmente introducen datos de mala calidad para proteger su privacidad.
● Los operadores del centro de atención al cliente introducen datos abreviados para ahorrar tiempo.
● Los operadores del centro de atención al cliente introducen datos erróneos por desconocimiento de la lengua.
● Los datos de terceros contienen inconsistencias, inexactitudes y errores.
● Los sistemas de front-office generan errores en los datos de contacto de los clientes.
● Los datos de origen diverso (por ejemplo, excel propios de los vendedores o de marketing) no se ajustan a las normas operativas y de formatos.
● Los cambios reales de teléfono o dirección no se consolidan en todos los sistemas
La conclusión es que existen demasiados puntos débiles, principalmente en la introducción manual de los mismos, lo que comporta la reducción de la calidad de los datos a lo largo de todo el sistema.
complejidad de este tipo de proyectos.
La experiencia, el know-how, el conocimiento, las mejores prácticas...están del lado del partner.
7. Entorno Colaborativo
Habitualmente nadie es responsable de los datos. Estos proyectos requieren de unos procesos y estructuras que permitan colaborar a las distintas áreas involucradas para asignar roles y responsabilidades en el gobierno y control del plan de calidad.
Alineación de Expectativas
Alinear las expectativas de la dirección, el negocio y TI es el aspecto más importante dentro de este apartado. Lo más frecuente es que cada uno mire para su lado y nadie asuma la responsabilidad como tal de ser el propietario del dato. Ello no está reconocido, es una tarea árdua que habitualmente siempre se ubica en medio de una crisis y que a menudo no está tampoco recompensada.
La realidad es que la calidad de los datos se aplica y se mantiene por el personal de TI, pero es el usuario de negocio el que obtiene la mayoría de beneficios. Es el usuario de negocio quien entiende el significado y el uso de los datos en el contexto de cada aplicación. Por estas razones, los usuarios de TI y Negocio se deben poner de acuerdo y alinear las expectativas del rol que va a jugar la calidad de los datos en la organización.
Más importante aún es que la Dirección defina un área, práctica o departamento al que se le den atribuciones, roles y responsabilidades, dotándolo a su vez tanto económicamente como en recursos, con el fin de que sean independientes tanto de IT como de Negocio: estamos hablando de los Data Steward.
¿Quién es el responsable de los Datos?
No obstante, actualmente ello se está convirtiendo en un mito que está pasando a mejor vida, sobre todo desde que las grandes corporaciones han empezado a crear el rol de Data Steward, ya que precisamente por ello, actualmente la responsabilidad de los datos se ha convertido en un rol compartido con Negocio (Data Steward), Dirección (sponsor) e IT (mantenimiento, soporte).
Las organizaciones sólo alcanzarán un alto nivel de calidad de datos cuando la dirección, el negocio y TI colaboren de forma desinteresada. Todos comparten la propiedad del dato, pero ninguno se hace responsable del mismo.
Se necesita definir roles (data stewards) y responsabilidades , definiciones y normas, herramientas y proyectos. Además es necesario medir la evolución del dato, definiendo indicadores y midiéndolos después.
A veces las organizaciones no reconocen la importancia de un objetivo específico (por ejemplo, reducir costes de facturación vía consolidación de listas de clientes, reconciliar diferentes versiones del consumo, identificación del fraude, etc). El know-how y la identificación de objetivos concretos es el mejor paso para una solución exitosa.
Este proceso es iterativo y al medir se convierte en "gobernable“. En realidad, el gobierno de los datos es el corazón del proyecto, ya que une a las personas, los procesos y la tecnologías para mejorar todos los aspectos de nuestros datos.
Involucración de la Dirección
Habitualmente nadie es responsable de los datos. Estos proyectos requieren de unos procesos y estructuras que permitan colaborar a las distintas áreas involucradas para asignar roles y responsabilidades en el gobierno y control del plan de calidad.
Como hemos comentado, es necesario el trabajo en equipo. Pero como todos sabemos el trabajo en equipo también genera roces, áreas de poder... esto en sí mismo es un problema por las dificultades para alcanzar consensos y definir alcances. Aquí es donde, de nuevo, los parters especializados con muchos proyectos a la espalda, pueden ayudar a las compañías a reducir las fricciones, almohadillando expectativas en base a su experiencia y conocimiento.
Información de calidad, es poder.
La Dirección debe especialmente estar atenta y fomentar la colaboración en la definición de los objetivos o indicadores porque raramente una persona conoce todos los detalles. Por ejemplo, Ventas, Finanzas y Atención al Cliente interactuan con los clientes, pero tienen diferentes prioridades y objetivos.
* Fuente imagen:
8. Beneficios
El hecho de contar con un partner con tecnología aporta una serie de beneficios tangibles. Vamos a analizarlos:
Proyectos eficaces
Por su experiencia y conocimiento en gestionar proyectos de este tipo, suelen acabar en tiempo, coste y forma, ahorrando miles de horas en comparación con la versión in-house.
Retorno de la inversión
El hecho de facturar a tiempo y de forma correcta, no perder facturas, mejorar las ventas cross-selling, etc debido a una mejora de los datos de contactabilidad, por ejemplo, hace que el ROI sea visible en un corto periodo de tiempo.
Mejores prácticas
La compañía adquiere un conocimiento y unas mejores prácticas que le permiten continuar por sí mismo con la mejora continua de la calidad de los datos.
Reducción de costes
etc, se traduce directamente en un ahorro de los costes.
Mejora de los ratios de fidelización de los clientes
El hecho de que los clientes reciban a tiempo y con los datos correctos sus facturas, o el centro de atención al cliente les llamen por su nombre correcto, fideliza al cliente.
Qué beneficios aporta el hecho de contar con
Técnicas
Multiplataforma?
– Conectividad a cualquier plataforma tecnológica, nativa o vía ODBC existente, tanto si son datos
estructurados/no estructurados como sistemas legacy, aplicaciones a medida, ERP o CRM.
– Además, al ser módulos independientes, pueden ser re-usados para cualquier proyecto dentro de la compañía que necesite cualquier tipo de acción Data Quality.
– Al mismo tiempo, la mejora productiva vs el proyecto estándar es de un 60% aproximadamente, lo cual, en términos de coste, es realmente significativo.
– Del mismo modo, se trata de una área de trabajo que genera reportes automáticos de los KPIs de calidad a través de un módulo específico integrado. Este hecho es imporante porque permite visualizar de manera gráfica los avances en la mejora continua de la calidad de los datos.
– Se trata también de una técnica que genera un monitoreo continuo, lo cual permite visualizar el impacto de los datos dentro de los procesos de la organización y sus cambios.
* Fuente imagen:
9. Conclusiones
La Calidad de Datos o DQ (Data Quality) es un concepto muy amplio que se podría resumir como la ciencia de mantener la información de las organizaciones completa, precisa, consistente, actualizada, única y, lo más importante, válida para el fin que se creó.
El término DQ actualmente representa uno de los conceptos fundamentales de un sistema gestor de bases de datos, como ya lo eran en su momento otros tales como la integridad o la seguridad.
En verdad, el interés creciente por el DQ entre las organizaciones, está motivado por la mayor interconectividad entre productores y usuarios de datos, ya que actualmente se comparte muchísima información entre distintas entidades, y, para muchas empresas, los datos constituyen su principal activo.
Además, manejar datos que tienen mala calidad suele ser muycostoso en tiempo y dinero, y, lo que es peor, puede llevar a los responsables de las compañías a tomar caminos erróneos..
Lo cierto es que, los datos incorrectos pueden ser el resultado de errores provocados por los usuarios al introducirlos, daños durante la transmisión o el almacenamiento, definiciones no coincidentes de diccionarios de datos y otros tipos de problemas de calidad de datos y procesos.
Dichos datos afectan a la capacidad de un negocio de realizar sus funciones empresariales y de proporcionar servicios a sus clientes, lo que conlleva la pérdida de credibilidad y de ingresos, descontento de los clientes e incluso problemas de cumplimiento de la normativa.
datos, elaboración de informes y almacenamiento.
Precisamente por ello, las soluciones de Data Quality, implementadas por un partner con experiencia y conocimiento, con la colaboración del cliente, es la mejor aproximación a un proyecto exitoso para las compañías.
El uso de una herramienta tecnológica top(cuadrante derecho superior del cuadrante mágico de Gartnet) y una metodología de mejora continua son los otros dos factores que garantizan la consecución de los objetivos propuestos.
La apuesta por la calidad de los datos mejora los resultados empresariales de manera significativa ya que impacta directamente en la mejora del resultado de los procesos de negocio y por ende, entre otras, en el control de gestión y en la satisfacción de los clientes.
Es necesario definir, antes de comenzar, el entorno colaborativo dentro de la compañía que regirá el proyecto. Es decir, hay que identificar y definir roles, responsabilidades, procedimientos, personas e indicadores. Igualmente es necesario involucrar de manera total a la dirección como sponsor del proyecto.
De hecho, el riesgo de acometer el proyecto en un modelo in-house es demasiado alto en términos de costes incontrolados, tiempos excedidos y equipo grande permanente.
