Descubre cuáles son los principales gastos derivados de una pobre calidad de datos y cómo evitarlos.
Antes de plantearse el coste de la no calidad de datos hay que conocer cuáles son las expectativas del negocio en cuanto a calidad de datos, cómo la ausencia de la misma puede impactar la negocio y, un poco más complicado, cómo relacionar cada cuestión relativa a la calidad con un problema específico dentro de la organización. La calidad de datos conlleva muchos beneficios para la empresa, pero para poder disfrutarlos hay que ser capaz de:
Evitar los problemas de la no calidad.
El impacto de una deficiente política de calidad de datos revierte en distintas áreas dentro de cualquier organización:
Financiera: se refleja en el incremento del coste de las operaciones, disminución de los ingresos, pérdida de oportunidades, reducción o retrasos en el flujo de caja y aumento de las multas, penalizaciones o cargos similares.
Confianza y satisfacción: en lo referente a clientes, trabajadores y proveedores, decrecimiento de la confianza que proyecta la organización, disminución de la fiabilidad de las previsiones, reporting operativo y ejecutivo inconsistentes, así como toma de decisiones fuera de tiempo y/o carente de precisión.
Productividad: aumento de las cargas de trabajo, disminución del rendimiento, aumento del tiempo de procesamiento, disminución de la calidad final de producto.
Riesgo: en relación con la evaluación del crédito, las inversiones y la competencia.
Cumplimiento de obligaciones legales, expectativas industriales o políticas privadas.
La forma de actuar para prevenir la aparición de situaciones de este tipo requiere premura, exhaustividad y continuidad. Necesita vincularse a una estrategia y verse respaldada por una política que establezca el modo de:
Revisar los tipos de riesgo y los costes relativos al uso de información en la empresa.
Especificar las expectativas en materia de calidad de datos.
Desarrollar los procedimientos y herramientas necesarias para determinar el fin de la calidad de datos en el entorno organizacional.
Definir las restricciones de validez de los datos.
Medir la calidad de los datos.
Establecer un sistema de seguimiento y control de los problemas de calidad.
Créditos fotográficos: "Quality Puzzle Showing Excellent Services" by Stuart Miles
Los problemas de calidad de datos han de ser atajados de raíz ya que sus consecuencias pueden tener efectos de gran magnitud. Nadie está libre de encontrarse con una sorpresa de este tipo. Algunos ejemplos de gastos desafortunados causados por una inadecuada política de este tipo son:
50 millones de Dólares mexicanos: que un concesionario de coches adeudó por un error en la impresión de cupones para el sorteo de un premio en efectivo de 1.000 Dólares. Es la diferencia entre imprimir un solo cupón ganador o imprimir los 50.000 como afortunados receptores de este premio.
Medio millón de Dólares americanos: que la Ciudad del Transporte de Nueva York tuvo que abonar para hacer frente al pago de 160.000 tarjetas de pago por viaje con un error tipográfico.
1.962 millones de Dólares: fue el coste del error en uno de los códigos de programación de la nave espacial Mariner I, que provocó su destrucción.
La otra cara de la moneda es la que muestra una investigación realizada en 2010 por la Universidad de Harvard. En este estudio afirman que Google logra cada año un beneficio estimado de 497 millones de Dólares gracias a errores de escritura de los nombres de sitios web populares que conducen a los usuarios autores de la búsqueda a sitios typosquatter, donde los anuncios de Google proliferan convenientemente.
Créditos fotográficos: "Dollar" by dream designs
Sin embargo, esto es una excepción, por lo que interesa invertir en procesos, técnicas, algoritmos y operaciones que contribuyan a mejorar la calidad de los datos para ahorrar costes directos, optimizar procesos, minimizar los tiempos de respuesta, afinar la toma de decisiones y acciones, mejorar el servicio y la imagen corporativa y potenciar las acciones de marketing. ¿Cómo?
Evitando duplicidades: surgen cuando en una misma tabla se presenta la misma o similar información en más de una ocasión.
Asegurando la consistencia de los datos: para evitar la existencia de información contradictoria.
Procurando la completitud: para lo que habrá que proceder a revisar que no existan campos en blanco o rellenados por defecto.
Normalizando archivos: que procuren la conformidad de los datos.
Velando por la precisión de los datos: comparándolos con una fuente de referencia y aplicando medidas de control.
Garantizando la fiabilidad e integridad de los datos: asegurando que toda la información relevante de un registro está presente y se encuentra en un formato que permite su utilización.
Post relacionados:
La IA y el gobierno de datos transforman organizaciones. Descubre casos reales y beneficios que revolucionan la toma de decisiones empresariales.
Descubre por qué las cuestiones relativas a la seguridad informática en las empresas son cuestión de prevención de data loss y data leakage
El Market Intelligence es toda la información que recopilamos, que se relacionan con el mercado, los clientes y la competencia. Conoce cómo lograrla.