{% set baseFontFamily = "Open Sans" %} /* Add the font family you wish to use. You may need to import it above. */

{% set headerFontFamily = "Open Sans" %} /* This affects only headers on the site. Add the font family you wish to use. You may need to import it above. */

{% set textColor = "#565656" %} /* This sets the universal color of dark text on the site */

{% set pageCenter = "1100px" %} /* This sets the width of the website */

{% set headerType = "fixed" %} /* To make this a fixed header, change the value to "fixed" - otherwise, set it to "static" */

{% set lightGreyColor = "#f7f7f7" %} /* This affects all grey background sections */

{% set baseFontWeight = "normal" %} /* More than likely, you will use one of these values (higher = bolder): 300, 400, 700, 900 */

{% set headerFontWeight = "normal" %} /* For Headers; More than likely, you will use one of these values (higher = bolder): 300, 400, 700, 900 */

{% set buttonRadius = '10px' %} /* "0" for square edges, "10px" for rounded edges, "40px" for pill shape; This will change all buttons */

After you have updated your stylesheet, make sure you turn this module off

Data quality: un método para evitar problemas de calidad de datos

by Redacción PowerData on julio 3, 2020

PowerData data quality calidad de datos

Los datos bien trabajados nos brindan información que nutre la toma de decisiones. A su vez, esta información impacta en los resultados del negocio y sus ingresos. En ese proceso, Data Quality es el primer paso para obtener la información y, si tenemos problemas de calidad de datos, estamos comprometiendo un activo muy valioso para la organización. De ahí que identificar estos problemas o áreas de mejora sea clave para las empresas.

¿Cómo llegar a ello?

Hoy, todas las empresas generan enormes cantidades de datos. El Big Data ya es una realidad para muchos negocios y puede representar una oportunidad o un desafío dependiendo de cómo gestionemos esos datos. Cada acción humana y/o de una máquina genera datos en diferentes formatos y tamaños, y las organizaciones utilizan esos datos para entender el comportamiento de sus usuarios, clientes, proveedores, socios y de los sistemas. 

Por otro lado, los datos son fundamentales para conocer el propio negocio, sus procesos, sus oportunidades y fortalezas y así responder a un mundo cada vez más dinámico. Quien no se reinventa, perece. Y hacerlo basado en datos tiene una enorme ventaja.

Como dijimos anteriormente, los datos, si se presentan y utilizan bien, son el mayor activo para cualquier organización, pero todo esto depende de que no haya problemas de calidad de datos. 

PowerData data quality calidad de datos

Descárgate aquí la guía "Calidad de datos: una radiografía completa", descubre cómo crear un plan de calidad de datos y mucho más.

PowerData data quality calidad de datos

 

¿Cómo saber si tienes problemas de calidad de datos?

Presupuestos, contrataciones, ofertas, promociones, lanzamientos… a diario son muchas las decisiones que se apoyan en la inteligencia empresarial y, para evitar errores, es necesario asegurarse de que los datos que nutren los procesos analíticos y de reporting de la organización estén libres de problemas de calidad.

Muchas veces, la mayor dificultad reside en descubrir si la información de la empresa tiene este tipo de fallos y en comprobar en qué medida sucede eso. Para facilitar este proceso, no hay más que seguir los siguientes 6 pasos: PowerData data quality calidad de datos

  1. Reunir los últimos 100 registros de datos generados en un área o departamento, por un grupo específico de usuarios o para un proyecto en concreto. Para esta evaluación se puede poner el foco en distintos tipos de información: pedidos de clientes, borradores de presupuestos o procesamiento de devoluciones, por ejemplo.

  2. De esos registros, escoger una muestra pequeña, de no más de una decena o decena y media de elementos de datos críticos (o sus atributos) para desplegarla en una hoja de cálculo.

  3. Convocar a algunos de los propietarios de los datos a una reunión.

  4. De forma conjunta con ellos, trabajar examinando, registro por registro, para averiguar si aparecen problemas de calidad.

  5. Durante el proceso de evaluación es conveniente marcar los errores de forma que se diferencien de los ítems libres de problemas de calidad. También resulta recomendable explicar en una nota al margen en qué consiste el fallo identificado y cuáles pueden ser las causas.

  6. Resumir los resultados en dos grupos: registros libres de errores y registros asociados a cualquier tipo de problemas de calidad de datos.

No se trata sólo de los errores, sino que, por cada uno de estos problemas de calidad, se pueden generar clientes descontentos, decisiones desacertadas y procesos ineficientes, lo que se traduce en pérdidas de ingresos o aumento de los costos.

Es importante que una vez que se haya completado la tarea de detección de errores y la clasificación de registros, se establezcan prioridades. Los atributos que puedan arreglarse de forma más rápida y los asociados a errores que puedan tener peores consecuencias deben resolverse antes.

Después de encontrar y eliminar las causas de raíz es necesario realizar un seguimiento periódico de la calidad de la información.

Para evitar problemas de calidad de datos a futuro, siempre resulta recomendable apoyarse en la automatización y recurrir a la implementación de un software específico que resuelva este tipo de inconvenientes de forma proactiva.

¿Necesitas asesoramiento para mejorar la calidad de tus datos?

Somos especialistas en ello y podemos ayudarte.

Quiero mejorar la calidad de mis datos 

Topics: Data Quality

¡Suscríbase!

Popular Posts

IR AL CENTRO DE   RECURSOS