Table of Contents
¿Sabes qué dimensiones de la calidad de los datos son las más críticas para tus operaciones y en qué medida están a la altura tus datos actuales?
Muchas empresas están sentadas sobre montañas de datos, pero aún no pueden confiar en ellos porque no realizan un seguimiento de las métricas de calidad de datos adecuadas. Mientras se apresuran a implantar la IA y la automatización, muchas chocan contra un muro con los proyectos de migración de datos y Gestión de Datos Maestros (MDM). ¿El motivo? La mala calidad de los datos. Aprender a realizar un seguimiento de las métricas de calidad de los datos te ayudará a ahorrar dinero en tu empresa, y averiguar cómo medir la calidad de los datos no tiene por qué ser complicado. El mejor enfoque combina dimensiones comunes de calidad de datos y KPI de calidad de datos para calcular los resultados empresariales. A partir de ahí, generarás confianza en que los datos de tu empresa funcionarán bien en el contexto adecuado y en el momento oportuno. Sigue leyendo para saber más y ver cómo funciona la medición de las métricas de calidad de datos a través de cuatro ejemplos, que muestran aplicaciones del mundo real que ponen de relieve la importancia de mantener datos de alta calidad en varias dimensiones.
¿Qué son las métricas de calidad de datos?
Las métricas de calidad de los datos proporcionan una forma objetiva de medir si tus datos apoyan o dificultan tus operaciones empresariales. Sin embargo, van más allá de las evaluaciones superficiales, como la integridad o la precisión. Siendo realistas, las métricas de calidad de los datos consisten en comprender el coste de unos datos deficientes para las decisiones, los flujos de trabajo y la estrategia empresarial a largo plazo.
Por ejemplo, la precisión puede parecer sencilla, pero no se trata sólo de si los datos son correctos. Se trata de si esa precisión tiene un impacto directo en los resultados. Si un CRM contiene un 95% de datos precisos sobre los clientes, pero ese 5% de imprecisiones se da entre clientes de gran valor, el daño es desproporcionadamente grande. Por tanto, no puedes limitarte a mirar las cifras: tienes que indagar en las implicaciones de esas inexactitudes.
Las métricas de calidad de los datos también pueden utilizarse para evaluar el linaje de los datos. ¿Cómo han evolucionado tus datos a través de los distintos sistemas y transformaciones a los que han sido sometidos? ¿Cuál es el impacto de estas transformaciones en la integridad de los datos? Éstas son preguntas más difíciles que las métricas ayudan a desvelar. Sin estas mediciones, las empresas a menudo son ciegas a la corrupción o incoherencia de los datos a medida que fluyen a través de diversos procesos.
Piensa en una empresa farmacéutica que depende de los datos de los ensayos clínicos para obtener la aprobación de nuevos medicamentos. Si la puntualidad se ve comprometida en algún punto -quizá los datos sobre las reacciones de los pacientes no se comunican con la suficiente rapidez-, podrían producirse retrasos en el descubrimiento de efectos secundarios o incluso interacciones peligrosas entre medicamentos. Ahora, imagina el efecto dominó. El retraso en la identificación de esos riesgos podría dar lugar a incumplimientos normativos, retrasos en las aprobaciones y, lo que es peor, poner en peligro a los pacientes. El seguimiento de métricas como la puntualidad y la coherencia en cada fase del ensayo garantiza que los datos estén disponibles exactamente cuando se necesitan para tomar decisiones críticas que afectan no sólo al negocio, sino a vidas humanas.
En este contexto, las métricas de calidad de los datos ofrecen visibilidad de riesgos invisibles, descubren ineficiencias operativas y proporcionan la base para tomar decisiones en las que puedes confiar.
¿Cómo se define la calidad de los datos?
La definición precisa de calidad de los datos se refiere al estado general de la información o los datos cualitativos o cuantitativos, basándose en atributos medibles como la precisión, la integridad, la coherencia, la puntualidad y la validez. Los datos de alta calidad son datos que apoyan de forma fiable tus procesos empresariales y la toma de decisiones, proporcionando perspectivas en las que puedes confiar. Esencialmente, la calidad de los datos determina si la información en la que confías es adecuada para su finalidad prevista.
En pocas palabras, los datos se consideran de alta calidad si producen sistemáticamente los resultados correctos para las mismas entradas y en condiciones similares. Si no se puede confiar en que tus datos hagan esto, no están sirviendo a su propósito.
Por ejemplo, imagina una empresa minorista que depende de los datos de sus clientes para impulsar campañas de marketing personalizadas. Si esos datos son inexactos -quizá las direcciones de los clientes no están actualizadas o los historiales de compra están incompletos-, la empresa se arriesga a enviar ofertas promocionales a las personas equivocadas o a perder oportunidades de dirigirse a segmentos de clientes clave. Como resultado, no sólo se malgasta dinero en marketing ineficaz, sino que la experiencia del cliente también se ve afectada, lo que reduce su fidelidad.
Además, una alta calidad de los datos significa que puedes estar seguro de obtener los mismos resultados que antes, dada la misma situación y las mismas entradas. Las herramientas de calidad de datos como WinPure son vitales para alcanzar el nivel de calidad de datos necesario para una empresa rentable que desea ver un crecimiento continuado.
¿Por qué son importantes las métricas de calidad de datos?
Las métricas de calidad de los datos son el latido de las operaciones de tu empresa. Cuando los datos no son fiables, todas las decisiones que se toman a continuación se tambalean.
Tomemos como ejemplo los sistemas CRM. Muchas empresas dan por sentado que sus datos de CRM son sólidos, pero sin comprobaciones periódicas de su exactitud e integridad, pueden perder rápidamente el rastro de información importante sobre los clientes. Un analista junior puede descubrir que faltan campos clave, como números de teléfono o correos electrónicos, o que están obsoletos. Esto puede parecer menor, pero es como una fuga en una presa: pequeña al principio, pero puede provocar problemas mayores, como seguimientos perdidos o campañas de marketing fallidas.
Para los gestores de datos o información, estas métricas no son conceptos abstractos: son la diferencia entre unas operaciones fluidas y el caos operativo. Las métricas te dan visibilidad sobre lo que está bien y lo que está mal, para que puedas tomar decisiones basadas en la verdad, no en suposiciones.
Sin medir estos aspectos, conduces a ciegas.
¿Cuáles son las 6 Dimensiones de la Calidad de los Datos?
Las organizaciones están de acuerdo en que la calidad de los datos se divide en seis dimensiones o características básicas:
- Exhaustividad de los datos: La exhaustividad consiste en garantizar que los datos recopilados son realmente los adecuados para la tarea. A menudo, las organizaciones recopilan enormes volúmenes de datos, pero se olvidan de medir la integridad de los puntos de datos esenciales que aportan información real. La falta de datos críticos, incluso en pequeñas porciones, sesga los resultados y afecta a la capacidad de obtener inteligencia procesable. Lo que rara vez se discute es cómo incluso unos metadatos o una información contextual incompletos pueden degradar los procesos de toma de decisiones.
- Precisión de los datos: La exactitud consiste en garantizar que los datos se ajusten con precisión a su finalidad. La conversación en torno a la precisión de los datos a menudo se detiene en la corrección de errores, pero la verdadera precisión implica alinear los datos con las necesidades empresariales en evolución. Lo que rara vez se menciona es el impacto acumulativo de las imprecisiones persistentes, como los sesgos sistemáticos en los métodos de recopilación de datos o las suposiciones incorporadas a los conductos de datos. Esta desalineación crea errores de cálculo estratégicos continuos, en los que el daño no es visible inmediatamente, sino que se revela con el tiempo a través de decisiones mal informadas.
- Oportunidad: La actualidad suele interpretarse en sentido estricto como que los datos están actualizados, pero en realidad se trata de la relevancia de los datos dentro de la ventana operativa específica.. Data that’s technically accurate but not timely loses value in dynamic environments. Few organizations talk about the misalignment between data acquisition cycles and the actual decision-making timelines, leading to bottlenecks in strategic processes. Timeliness is about understanding how the latency of data impacts real-time operations and the often-overlooked friction this creates across departments.
- Singularidad: La singularidad va más allá de los registros duplicados. Se trata de garantizar la singularidad en todos los sistemas y conjuntos de datos. No se trata sólo de una cuestión de higiene de las bases de datos, sino de evitar contradicciones fundamentales en los datos operativos críticos. Las empresas tienen que pensar en cómo los datos duplicados pueden dar lugar a múltiples «verdades» dentro de la misma organización.
- Coherencia: La coherencia no consiste tanto en hacer coincidir los formatos de los datos como en garantizar que los datos cuenten la misma historia en diferentes plataformas, sistemas y departamentos. La mayoría de las organizaciones no se ocupan de esos datos que son técnicamente coherentes pero están desalineados con los contextos operativos. Aquí es donde se produce el verdadero colapso: los departamentos extraen datos de distintas fuentes y llegan a conclusiones contradictorias. Pocas veces se habla del riesgo de la falsa coherencia, cuando los datos parecen uniformes en la superficie pero revelan discrepancias más profundas una vez que se utilizan en diversas funciones.
- Validez: La validez se reduce a menudo a que los datos se ajusten a formatos o reglas predefinidos, pero en realidad se trata de si los datos son adecuados para su finalidad. El reto que pasa desapercibido es que muchas empresas se basan en reglas de validación anticuadas o demasiado simplistas, que pasan por alto matices críticos de los modelos de negocio. Los rígidos procesos de validación pueden excluir datos valiosos que no encajan en el molde, mientras dejan pasar datos incorrectos pero técnicamente válidos. Esta falta de flexibilidad a la hora de definir la validez puede dar lugar a costosos reprocesamientos, retrasos operativos y estrategias de cumplimiento defectuosas.
Lectura relacionada: Para saber más sobre la gestión de datos, visita nuestra Guía de Gestión de Datos Maestros (MDM ), donde cubrimos todo lo que hay que saber sobre el proceso de Gestión de Datos Maestros, incluida la arquitectura y el marco de MDM.
¿Cuáles son ejemplos de métricas de calidad?
Las métricas de calidad son esenciales para resolver conflictos entre las distintas partes de una organización, como en la sector sanitario donde los equipos informáticos y empresariales suelen ver la calidad de los datos de forma diferente. Considera el ejemplo de un informe de registro de pacientes ejecutado el día 15 del mes. Muestra menos registros de pacientes que un informe repetido el día 30. El equipo empresarial podría señalar esto como un problema de integridad de los datos, sospechando que el informe inicial no captó todos los datos relevantes. Dependen de esta información para prever las cargas de pacientes, gestionar el personal y asignar los recursos con eficacia.
Mientras tanto, el equipo informático podría argumentar que el informe es puntual y preciso basándose en los datos disponibles el día 15, y que cualquier registro adicional que aparezca en el informe el día 30 se debe simplemente al retraso natural en el procesamiento. Desde su punto de vista, el informe funciona según lo previsto, teniendo en cuenta el plazo previsto para la introducción de datos.
Aquí es donde las métricas de calidad de los datos intervienen para aclarar las cosas. Ambas partes pueden tener razón, dependiendo de la métrica que utilices para evaluar los datos. La exhaustividad consiste en garantizar que todos los datos de los pacientes se hayan capturado a final de mes, pero la puntualidad se refiere a la capacidad del informe para proporcionar datos procesables cuando se necesitan, aunque algunos registros lleguen más tarde.
Esta situación pone de manifiesto la necesidad de alinearse con las métricas de calidad pertinentes: en este caso, equilibrar la puntualidad para la eficacia operativa con la exhaustividad para la planificación a largo plazo. Midiendo ambas dimensiones con precisión, las organizaciones pueden comprender dónde existen lagunas de datos y tomar decisiones informadas sin conflictos internos.
CALIDAD DE LOS DATOS KPIS
Aquí entran los KPI o indicadores clave de rendimiento de la calidad de los datos, necesarios para comprender los objetivos de calidad de los datos. Los KPI de calidad de los datos conectan los objetivos empresariales o KPI con distintas dimensiones de la calidad de los datos, como la precisión.
En el ejemplo anterior, la empresa define el KPI de calidad de datos de registros de pacientes como una lista completa de pacientes desde el día 1 hasta el día 30. TI define la calidad de los datos como una lista completa de pacientes desde el día impreso (pacientes registrados el 20 th no aparecería en un informe del día 1515).
Como puedes ver, las medidas de calidad de datos requieren la misma comprensión de los KPI de calidad de datos según las dimensiones de calidad de datos. Además, al considerar muchas dimensiones de calidad de datos y requisitos empresariales, necesitarás varios tipos distintos de medidas de calidad de datos para evaluar si tienes la calidad de datos que necesitas.
Las medidas de calidad de los datos describen todo el conjunto de valores calculados a partir de lo bien que los KPI de calidad de los datos cumplen las dimensiones de calidad de los datos. Cuanto más se acerquen las puntuaciones de calidad de los datos a los resultados deseados, dónde y cuándo se necesiten, más confianza podrán tener las organizaciones en sus datos.
¿Cómo se miden las métricas de calidad de los datos?
La medición de las métricas de calidad de los datos comienza con la identificación de las necesidades empresariales clave y las dimensiones de calidad de los datos que las afectan, como la precisión, la integridad, la puntualidad o la coherencia. No basta con medir estas métricas de forma aislada, deben ser relevantes para los objetivos empresariales específicos y los casos de uso.
El primer paso consiste en calcular funciones objetivo. Cosas como recuentos, medias, sumas o porcentajes que correspondan a los KPI de calidad de datos que hayas establecido. Por ejemplo, al evaluar la exhaustividad, podrías contar cuántos campos de datos obligatorios faltan o están sin rellenar. Pero comprender el contexto es crucial. ¿Qué falta, por qué falta y cómo afecta a las operaciones?
Por ejemplo, los registros de pacientes en la sanidad: si la integridad de los datos se evalúa únicamente contando los campos que faltan, te estás perdiendo la visión de conjunto. Tienes que analizar qué campos concretos (como las fechas de registro o los resultados de laboratorio) están incompletos, por qué existen esas lagunas y cómo afecta eso a la atención al paciente, la programación y el cumplimiento.
A continuación, debes validar los datos con los procesos empresariales. Digamos que estás haciendo un seguimiento de cuántos pacientes siguieron una revisión recomendada. El recuento de pacientes registrados es una métrica, pero para comprender plenamente su impacto, también tienes que evaluar por qué determinados pacientes no lo siguieron. Esta recopilación de información del mundo real, como la realización de encuestas o la comprobación de registros cruzados en otras clínicas.
Por último, pero no por ello menos importante, la supervisión continua es esencial. Medir la calidad de los datos no es una tarea de una sola vez. La validación, el ajuste y los circuitos de retroalimentación continuos ayudan a mantener las métricas de calidad de los datos alineadas con las necesidades empresariales.
Los cuatro ejemplos de métricas de calidad de datos
Para tener una idea más clara de cómo aplicar las métricas de calidad de datos a tus KPI de calidad de datos, hemos utilizado los siguientes ejemplos para ilustrar cómo medir las métricas de calidad de datos.
Ten en cuenta que estos ejemplos de métricas de calidad de datos cubren algunas mediciones de calidad de datos, pero no todas. Estos casos te guiarán en la configuración y el uso de métricas de calidad de datos relevantes para tus objetivos empresariales y las características que deseas medir.
He aquí el desglose de ejemplos de métricas de calidad de datos
Ejemplo 1
Dimensiones: Precisión, Puntualidad KPI de Calidad de los Datos: Identificación rápida y precisa de COVID-19 de las personas con tos preocupante Métricas de Calidad de los Datos: Número de personas con tos problemática que no se inscribieron en un hospital o clínica y tenían datos inexactos. El intervalo de tiempo que los usuarios de teléfonos móviles con tos problemática tardaron en inscribirse para una prueba de COVID-19. Cómo calcularlo: Primero combina todos los datos de los sistemas de datos y busca las celdas de datos necesarios que no estén rellenadas. Comprueba el número de registros de pacientes que tienen resultados positivos de la prueba COVID-19 en una clínica determinada. Comprueba esta lista de registros de pacientes en el rastreador con una clínica. Anota cualquier discrepancia. Encuentra los intervalos de tiempo desde que se notifica la tos a una persona hasta que se registra en una clínica a lo largo de un mes. Ejemplo de Estudio de Caso de Métricas de Calidad: Cotejo de datos WinPure en el innovador proyecto de seguimiento COVID-19
Ejemplo 2
Dimensiones: Validez, Unicidad Calidad de los datos KPI: Una visión única de los donantes únicos y activos de Centura Health sin datos de identificación duplicados. Métrica de Calidad de Datos: El recuento de identidades duplicadas debe ser 0. El número de donantes de Centura Health identificados. Recuento de individuos falsamente identificados como donantes. Comentarios de clientes que han recibido correos duplicados. Cómo calcularlo: Cuenta el número de identidades duplicadas que aparecen en la vista. Debería estar en 0. Suma el número de registros con datos depurados en una hora tras la automatización frente a los procesos manuales. Halla el porcentaje de tickets del servicio de ayuda que requieren resolución por correos duplicados. Ejemplo de métrica de calidad Estudio de caso: Un cotejo de datos rápido y preciso ahorra un tiempo precioso
Ejemplo 3
Dimensiones: Coherencia, Unicidad KPI de Calidad de Datos: Más de 162.000 datos de direcciones limpios, correctos y estandarizados fluyen a la base de datos de Gestión de Relaciones con el Cliente (CRM) en un formato estándar y preciso. Medida de la calidad de los datos: Porcentaje de datos de direcciones cambiados de un sistema al CRM. Número de registros duplicados en el CRM. Cómo calcularlo: Cuenta el número de direcciones cuyos datos críticos cambiaron de un sistema a otro. Cuenta los correos duplicados enviados, según informan los clientes y el sistema, y compáralos con los registros duplicados en el CRM. Ejemplo de métrica de calidad Estudio de caso: La verificación de direcciones supuso un importante ahorro de costes
Ejemplo 4
Dimensiones: Exhaustividad, Precisión KPI de Calidad de Datos: Los datos de venta de entradas en los partidos del Hipódromo de Birmingham coinciden con los obtenidos por otras agencias que venden entradas. Métrica de Calidad de Datos: El número de registros de entradas con datos completos recuperados por otros agentes coincide con el mismo número en la base de datos del Hipódromo de Birmingham. El mismo contenido de datos de entradas de un perfil de datos de la base de datos del Hipódromo de Birmingham coincide con el encontrado en las otras agencias. Cómo calcularlo: Comprueba si en la base de datos del Hipódromo de Birmingham hay valores vacíos requeridos tanto por la informática interna como por las agencias de venta de entradas. De los correos duplicados enviados a los clientes, comprueba el porcentaje de registros duplicados en la base de datos del Hipódromo de Birmingham. Caso práctico de ejemplo de métricas de calidad: Máximo rendimiento de la herramienta Clean and Match de WinPure.
Palabras finales sobre las métricas de calidad de datos
La investigación ha encontrado métricas de datos consensuadas según las dimensiones de calidad de los datos: integridad, exactitud, puntualidad, unicidad, coherencia y validez. Pero estas métricas tienen que pertenecer al contexto de tu empresa para ganarse la confianza de ésta en sus datos y sus operaciones correctas en el contexto adecuado y en el momento adecuado. Conecta tus métricas de calidad de datos con los KPI de calidad de datos y las seis dimensiones de calidad de datos para comprender mejor la calidad de tus datos.
