All for Joomla All for Webmasters

GESTIÓN DE DATOS

(Data Management)
Mediante el apoyo experto en gestión de datos creamos valor para nuestros clientes a través de soluciones que le ayudan a tener mejoras duraderas y apreciables en sus resultados de negocio.

La finalidad de una solución de gestión integral de datos, es la de tratar de forma conjunta la calidad, la gestión de maestros, las dependencias, la gestión de metadatos y la integración de datos en términos de negocio. De esta forma, podemos consolidar una arquitectura flexible que permita minimizar costos de desarrollo en mantenimiento y dar valor agregado a los datos

GOBIERNO DE DATOS

GOBIERNO DE DATOS

(Data Governance)

Brindamos apoyo especializado a nuestros clientes en el desarrollo de estrategias apropiadas y en la implementación de soluciones de Data Governance con el fin de gestionar los datos empresariales de manera efectiva y eficiente.

El Gobierno de Datos tiene por objeto asegurarse que los datos sean siempre fiables y válidos en cada contexto empresarial, que su calidad se mantiene a lo largo del tiempo mediante mecanismos de control en cada momento , todo ello con el objetivo de apalancar los datos como un activo corporativo de gran valor empresarial

Las empresas suelen preocuparse prioritariamente que los datos transaccionales cumplan los estándares de calidad, sin embargo no le dan la suficiente importancia a las fuentes de datos externas ni existe ningún control de las manipulaciones posteriores de los datos, de las distintas agregaciones.

Ello significa que aunque los datos originales en los sistemas operacionales sean fiables, los datos que se gestionan en los entornos analíticos podrían ser imprecisos. Como los entornos informacionales y analíticos son clave para diseñar estrategias futuras, las inconsistencias de los datos pueden tener un alto impacto y generar consecuencias graves.

El gobierno de datos se ocupa de:

• Establecer estándares, políticas y procesos que determinen el uso, desarrollo y gestión de los datos a nivel corporativo.
• Definir nuevos roles y responsabilidades dentro de la organización
• Apoyarse en la tecnología adecuada.
CALIDAD DE DATOS

CALIDAD DE DATOS

(Data Quality)

Proporcione a sus proyectos e iniciativas datos limpios y fiables para cumplir sus objetivos de negocio dando valor agregado a sus datos.

Una pobre calidad de los datos influye negativamente en el negocio generando importantes costos adicionales de forma directa e indirecta, tanto a corto como a largo plazo. Los datos forman parte de toda la organización y de distintas maneras, por lo anterior es de vital importancia ponerle atención adecuada, de lo contrario los sobrecostos se incrementarán cuando la calidad de los datos es mala por errores o deficiencias de cualquier tipo.

Todas las empresas quieren maximizar su productividad a nivel de empleados y procesos con el fin desarrollar productos o servicios de alto valor, que puedan competir en el mercado de la mejor manera posible, afrontar los problemas de la falta de calidad de los datos es una prioridad. La forma de conocer el retorno de inversión en un sistema de calidad de datos es evaluando el impacto real en el negocio de esos costos adicionales.

Los procesos de calidad de datos exigen realizar una serie de procedimientos para el adecuado control de su ciclo de vida. Llevar a cabo procesos de perfilado de datos, limpieza, mejora, matching, consolidación y la representación gráfica de valores válidos o scorecards, resulta imprescindible si queremos conseguir unos niveles de calidad aceptables.
LIMPIEZA DE DATOS

LIMPIEZA DE DATOS

(Data Cleansing)

La limpieza de datos es un proceso fundamental para asegurar la calidad de los datos que se emplearán para el análisis y la toma de decisiones. Este paso es importante ya que minimiza el riesgo de tomar decisiones con información poco precisa, errónea o incompleta.

La limpieza de datos, es el acto de descubrimiento, corrección o eliminación de datos erróneos de una base de datos. El proceso de limpieza permite identificar datos incompletos, incorrectos, inexactos, no pertinentes, etc. y luego substituir, modificar o eliminar estos datos, estas inconsistencias pueden ser causadas por errores de entrada del usuario, transacciones corruptas o incompletas o almacenamiento erróneo de datos.
La limpieza de datos resuelve problemas de datos provenientes de fuente: a este nivel se encuentran los inconvenientes de falta de integridad o las insuficiencias en el diseño del esquema, que afectarán a su vez a la unicidad del dato y su integridad referencial, además de los problemas de entrada de datos, redundancias o valores contradictorios, entre otros.

El objetivo final de cualquier acción de Limpieza de Datos es mejorar la confianza de la organización en sus datos. Para llevar a cabo una acción de limpieza de datos es necesario seguir las siguientes Etapas:

1. Auditoria o Análisis de datos: determinar qué tipo de errores e inconsistencias deben ser eliminados, además de una inspección manual de las muestras de datos, es necesaria la incorporación de programas que actúen sobre los metadatos para detectar problemas de calidad de datos que afecten a sus propiedades.

2. Definición de procesos de transformación y reglas de mapeo: dependiendo del número de fuentes de origen de datos, su heterogeneidad y la previsión de problemas de calidad de los datos, será necesario ejecutar múltiples procesos en la etapa de transformación y adecuación. Lo más adecuado es plantear una acción a dos niveles, una en un ciclo inicial que corrija los problemas relacionados con datos procedentes de una única fuente y los prepare para una buena integración, y otra, que intervenga de forma posterior, tratando los problemas de datos procedentes de una diversidad de fuentes. Para mejorar el control sobre estos procedimientos conviene definir los procesos ETL adecuados para cada ciclo.

3. Verificación: el nivel de adecuación y la efectividad de una acción de transformación debe siempre ser probado y evaluado, esta validación se aplica a través de múltiples iteraciones en las fases de análisis, diseño y verificación.

4. Transformación: Ejecutar el flujo ETL para cargar y refrescar el data Warehouse o durante la respuesta a consultas en los casos de multiplicidad de fuentes de origen.

5. Flujo de datos limpios: una vez se han eliminado los errores de calidad, los datos "limpios" deben reemplazar a los que no lo están en las fuentes originales, para que las aplicaciones transaccionales puedan beneficiarse también de ellos, evitando necesitar de la aplicación de acciones de Limpieza en el futuro.

Hay un buen número de herramientas que pueden ayudar en el proceso de limpieza de datos, y esto sólo apunta a la variedad y complejidad de retos que vienen con la limpieza de datos. También se refiere a la importancia de la integridad de los datos.

Mantener y fomentar los datos limpios en su empresa requiere más que simplemente tener los sistemas o herramientas adecuadas, y un departamento de IT capaz, se debe crear una cultura de datos y aceptar los procesos incluidos, tan complejo y con tantas fuentes como sea.