¿Es lo mismo la consolidación de datos que su integración? ¿Se pueden intercambiar? ¿Puede sustituir una acción a la otra en un proyecto? ¿Puede su confusión afectar al funcionamiento de una solución de inteligencia de negocio? Si bien es cierto que la consolidación de datos requiere de menor tiempo y, por tanto, implica menos costes que un proceso de integración, no se trata de una alternativa y las empresas necesitan entender la diferencia para evitar los inconvenientes de una mala decisión.

Tal vez te interese leer: 
¿Por qué necesitas tener un plan de data integration?

Diferencia entre integración y consolidación de datos

La diferencia entre ambos conceptos es evidente:

• La consolidación de datos es el proceso de reunir a las entidades y atributos en un almacén de datos, manteniendo cada uno su forma, el valor y características técnicas que existen en la fuente.
  
  
• La integración de datos es el proceso combinar entidades y atributos de modo que tengan forma, significado y características técnicas comunes.
  
  
  

Mientras a que la integración es uno de los requisitos prioritarios para el Master Data Management, la consolidación de datos habitualmente plantea desafíos a las organizaciones. Y lo hace tanto a nivel de almacén de datos como en los repositorios. El reto tiene que ver con el hecho de que la capacidad de los usuarios para comprender y analizar los datos de ve reducida. ¿Por qué sucede esto? Existen muchas razones:

• Por una parte, los usuarios deben tratar de determinar por su cuenta qué atributos y valores significan lo mismo. Como es fácil adivinar, lo más habitual es que cada persona halle un significado distinto al de los otros usuarios de negocio.

• Además, los procesos se ralentizan, ya que se añade tiempo para cada análisis y a menudo el valor del resultado se ve minimizado.
  
  

Como respuesta a estos inconvenientes, frecuentemente, las empresas tratan de compensar este tipo de problemas mediante la construcción de las reglas de integración complejas en las capas semánticas de las herramientas de front-end. Pero no es una buena solución ya que, en la práctica, aparte del tiempo adicional necesario para crear el modelo, se puede terminar ralentizando considerablemente el tiempo de respuesta, especialmente si las reglas están siendo procesados por la herramienta de BI en lugar de por la base de datos.

¿Cómo hemos llegado hasta aquí?

Está claro que, para prevenir este tipo de situaciones lo más conveniente es dejar de confundir la consolidación de datos con la integración de datos y no emplearlas de forma indistinta, sino cada acción cuando corresponda. El primer paso para conseguirlo es conocer las causas que llevan a que esto suceda, entre las que cabría destacar:

• La participación de un usuario de perfil técnico pero sin experiencia en el modelado de datos en entornos de Data Warehouse. Por desgracia, la escasez de personal cualificado en las empresas hace que muchas veces se tenga que recurrir para determinadas tareas a los recursos disponibles, que pueden tener más experiencia en el mundo OLTP.

• Otra razón es que se necesita más tiempo para integrar datos. Se requiere de perfiles de datos, análisis de datos y la interacción con los expertos en la materia. A estas limitaciones hay que sumar el hecho de que puede haber factores políticos involucrados que enfrenten a diferentes áreas a la hora de establecer un significado común a ciertos puntos.

• Por último, otro posible escenario que lleve a estos problemas relacionados con la consolidación de datos es en el que un Data Warehouse trabaja con una única fuente y los problemas llegan cuando se constata que el modelo de datos no ha sido creado para acomodar los datos integrados.