GestiA?n de la Calidad de Datos para Business Intelligence (I)

Las organizaciones se encuentran hoy en dA�a bajo una fuerte presiA?n para invertir en tecnologA�as que impulsen la ventaja competitiva y mejoren los resultados operacionales. Un despliegue exitoso de Business Intelligence (BI) puede ayudar a valorar la salud de una organizaciA?n, establecer los indicadores de rendimiento oportunos y monitorizar las operaciones del dA�a a dA�a con un ojo puesto en el crecimiento global. Por consiguiente, la demanda de datos precisos para realizar las tareas de BI continA?a creciendo tanto en el lado de la demanda como en el del suministro de informaciA?n.

La intensa demanda de datos estA? impulsando la adopciA?n generalizada del uso de BI en toda la base de usuarios, desde el grupo de directivos a los usuarios en los puntos finales. Esta amplia adopciA?n ha propiciado que el BI avanzase mA?s allA? de las tradicionales funciones de query, reporting analA�tico y procesamiento analA�tico online (OLAP), para incluir ahora cuadros de mando operacionales, tablas de resultados personalizables y avanzadas tA�cnicas de visualizaciA?n. Desde la perspectiva de la cadena de suministro de la informaciA?n, esto implica que los datos necesitan estar accesibles y ser agregados y racionalizados para poder consumirse por el BI, independientemente del formato, donde sea que el usuario lo necesite. Y, cada dA�a, la apuesta es mA?s alta.

Frente a las tradicionales aplicaciones de BI centradas en las queries y las analA�ticas, muchos nuevos usuarios de BI se centran en las decisiones operacionales y las consiguientes acciones. Esto significa que toda acciA?n que los usuarios emprenden basA?ndose en la fortaleza de los informes y las alertas estA? influida por la precisiA?n de los datos utilizados para los informes, asA� como por la capacidad que los usuarios tengan para confiar en estos datos. A?Con quA� frecuencia nos parecen los datos raros o poco fiables cuando vemos los informes BI? Esta inquietante sensaciA?n, estA� o no justificada, provoca retrasos e incluso paraliza las acciones necesarias que resultan crA�ticas para el negocio.

Como reza el dicho, la confianza debe ganarse, y la confianza en los datos no es una excepciA?n. Obviamente, generar confianza en los datos es un aspecto crA�tico entre los equipos IT y los usuarios de los informes de BI. Si los datos estA?n incompletos, son imprecisos o estA?n llenos de duplicidades, todo el sistema de confianza estarA? debilitado y la gente serA? reacia a utilizar sus herramientas de BI. Pero mA?s allA? de la obvia limpieza y comparaciA?n de los datos estA? la red de confianza que debe construirse alrededor del data warehouse, los almacenes operacionales y otros sistemas y aplicaciones que generan una corriente continua de datos por toda la empresa. Por esta razA?n, un creciente nA?mero de organizaciones estA?n emprendiendo iniciativas de calidad de datos como principio central de sus iniciativas de BI en la empresa.

A?QuA� es la calidad de datos y por quA� deberA�a prestar atenciA?n a este asunto?

a�?Calidad de datosa�? es un tA�rmino tan fA?cil en apariencia que es necesario precisar de quA� estamos hablando. El Data Warehouse Institute (TDWI) define la calidad de datos como la calidad del contenido y la estructura de los datos (conforme a diversos criterios), mA?s la tecnologA�a y prA?cticas de negocio estA?ndar que mejoran los datos, como la limpieza y comparaciA?n de datos personales, la deduplicaciA?n y la estandarizaciA?n de datos y los aA�adidos de datos de terceros (Fuente: TDWI, marzo de 2006, a�?Taking Data Quality to the Enterprise Through Data Governancea�?, Phillip Russom). Una organizaciA?n puede medir la calidad de los datos como un medio de asignar valor a los activos de datos frente a las expectativas del negocio definidas por reglas y criterios especA�ficos. Una estructura de la dimensiA?n de la calidad de los datos (Figura 1) puede incluir una variedad de parA?metros que pueden utilizarse para identificar y categorizar los problemas de calidad de datos. Si alguien dice a�?nuestros datos no son buenosa�?, podemos entonces investigar un poco mA?s y describir los niveles de calidad de los datos con nA?meros tangibles. Por ejemplo, si la calidad de datos alcanza el 80% podrA�a constituir un conjunto de atributos clave como el porcentaje de conformidad, duplicados, etc.

Normalmente, las organizaciones empiezan con esta estructura y la modifican segA?n la madurez y las prioridades a lo largo del tiempo. Es tambiA�n importante, tanto para los equipos de negocio como de IT, lograr el acuerdo respecto a las mA�tricas que entrarA?n en juego.

Puesto que el despliegue de BI es cada vez mA?s interdepartamental, gestionar la calidad de los datos para los diversos tipos de datos maestros mA?s allA? de los simples datos de clientes ha emergido como una buena prA?ctica. Otros tipos de datos maestros son los datos de productos, datos contables, datos de activos y otros datos bancarios, datos de recursos humanos, etc., todos ellos en mA?ltiples formatos y sobre una gran variedad de plataformas a��desde los sistemas ERP y las bases de datos relacionales a las fuentes de datos semi estructurados. Parte integrante de esto es el rendimiento y la escalabilidad requeridos en las tA�cnicas de gestiA?n de calidad de datos, debido a los crecientes volA?menes de datos que se generan tras aA�adir y consolidar los datos empresariales para todos los tipos de BI.

Por esta razA?n, la capacidad para perfilar, limpiar y suministrar todo tipo de datos con altos niveles de calidad en todo momento, independientemente de los volA?menes y complejidad de los datos, estA? en la base del A�xito de BI. Y la recompensa es inmensa.

Con una buena calidad de datos, los conocimientos empresariales obtenidos a travA�s del BI se convierten en A?tiles con mayor rapidez (con frecuencia, con mucha mayor rapidez). Al incrementar la confianza en los datos, los directivos, responsables y usuarios de negocio pueden reconocer y actuar inmediatamente ante nuevos patrones y tendencias, asA� como ante los signos de peligro para el negocio, con una granularidad y precisiA?n mA?s elevadas. Identificar los sobrecostes y otras oportunidades para reducir gastos y ahorrar pueden ser resultados directos de la capacidad de los usuarios de negocio al utilizar datos precisos y verificables procedentes del reporting y las alertas. Y la gestiA?n de la calidad de datos de punto a punto incrementa tambiA�n la auditabilidad y la visibilidad del reporting de BI, un aspecto especialmente valioso para los propA?sitos de conformidad y gestiA?n de riesgos.

En este punto nos topamos con el lado oscuro: segA?n varios estudios, los impactos de los datos de mala calidad pueden ser amplios y profundos. Algunos impactos representativos son:

a�� Cantidades excesivas del tiempo y los recursos empleados por TI para investigar, limpiar y reconciliar los datos

a�� Carga operacional adicional para extraer y corregir manualmente los datos para el anA?lisis

a�� PA�rdida de credibilidad en los sistemas y en la cadena de suministro BI en su conjunto

a�� Toma de decisiones mA?s lenta o errA?nea que impacta negativamente en la satisfacciA?n de los clientes y en el rendimiento del negocio

a�� Fallos y retrasos en el cumplimiento normativo y en los requisitos de riesgos i??

Juan OA�ate, director general para Iberia de Informatica

Beneficios econA?micos de la Calidad de Datos

Las evidencias sobre los beneficios econA?micos cuantificables gracias a los programas de calidad de datos abundan. Algunos ejemplos:

a�� Una compaA�A�a farmacA�utica acelerA? un 50% la llegada al mercado gracias a una consolidaciA?n y racionalizaciA?n de los datos mA?s rA?pidas.

a�� Un gigante energA�tico evitA? pagos duplicados por valor de 20 millones de dA?lares gracias a las alertas de los cuadros de mando de BI.

a�� Una compaA�A�a internacional de electrA?nica identificA? potenciales oportunidades de venta desaprovechadas con grandes clientes por valor de 250 millones de dA?lares.

a�� Una compaA�A�a de seguros suministrA? una visiA?n A?nica e integrada de los datos contables parta perseguir las metas estratA�gicas mientras hacA�a el reporting rutinario mA?s eficiente y menos propenso a errores.

a�� Una firma de servicios financieros evitA? 20 millones de dA?lares en penalizaciones legislativas.